利用PSO-GA-LSSVM模型预测基坑周边建筑物沉降

针对最小二乘支持向量机(least square support vec-tor machine,LSSVM)模型参数选择存在随机性与单一优化算法寻找参数存在局限的问题,将遗传算法(genetic algo-rithm,GA)、粒子群优化(particle swarm optimization,PSO)算法引入LSSV...     

基于粒子群优化的支持向量机在地表沉降预测中的应用

讨论了利用粒子群优化（PSO）算法来优化选择支持向量机（SVM）参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。     

最小二乘支持向量机在沉降量预测中的应用

高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。     

基于最小二乘支持向量机回归综合预测建筑物沉降

针对在工程实践中,应用单一方法预测建筑物沉降存在着局限性,提出了基于最小二乘支持向量机回归综合单一方法预测沉降量。该方法能综合单一方法的特点,增强了模型的普适性,从而提高了预测精度和预报期次。文中讨论了如何实现和运用该方法,最后通过实例验证了其有效性。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

最小二乘支持向量机优化模型在煤矿安全预测中的应用

针对传统信息融合技术在煤矿井下环境等级评价中的局限性,文章提出了一种智能算法:通过粒子群优化算法对最小二乘支持向量机进行参数寻优,建立多传感器信息融合模型PSO-LSSVM,克服参数选择的主观性、盲目性,从而提高算法的分类精度和收敛速度。实验结果表明,相比未经参数优化的最小二乘支持向量机模型、网格算法优化最小二乘支持向量机模型,PSO-LSSVM模型能很好地解决煤矿井下环境等级评价中小样本的高维、非线性、不确定性等方面的问题。     

基于混合智能优化算法的建筑物沉降预测应用研究

为解决现代工程施工中对沉降预测精度提出的更高要求,本研究提出了一种基于粒子群算法(PSO)和支持回归机(SVR)的混合预测模型。依据山西某工程建筑施工沉降监测数据,将其分为建模和测试两部分,分别建立了SVR、PSO-SVR、BP神经网络和多元回归预测模型。最后对模型做试算分析,结果表明:PSO-SVR模型预测精度绝对占优,对实际值具有更强的逼近能力,多元回归模型预测精度相较于PSO-SVR模型略低,但明显优于其它两类智能模型。本文提出的混合模型对解决实际工程中遇到的沉降预测问题非常实用,值得进一步推广应用。     

基于AEPSO改进支持向量机的堤基沉降预测

在支持向量机的预测模型中,关键参数的选取是最重要的一步。在此基础上提出基于AEPSO改进的支持向量机预测模型。利用AEPSO的局部和全局搜索能力,提高支持向量机关键参数寻优的精度。文中详细介绍模型建立的过程,以莆田市木兰溪防洪工程为例,应用改进的模型进行堤基沉降预测,并与标准PSO支持向量机预测模型相对比。结果表明,基于AEPSO改进的支持向量机预测模型提高了预测的精度。     

利用经验模态分解和LSSVM预测隧道不均匀沉降

隧道不均匀沉降是个复杂的系统.针对其非线性、非平稳的特点,本文将经验模态分解(EMD)和最小二乘支持向量机(LSSVM)引入该领域,建立了一种基于EMD和LSSVM的预测模型.首先,利用EMD方法将原始序列作平稳化处理,得到一系列本征模态分量(IMF);其次,根据各个IMF的变化规律,采用合适的参数构造不同的LSSVM...     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

基于MATLAB的铁路路基沉降预测优化方法

高速铁路路基的工后沉降严重影响着行车安全。在已有的预测模型中,所采用的初始数据往往不能满足等时间周期采集,而且还会伴随着一系列不可避免的观测误差,模型本身的误差累计,不能进行长期预测。文中利用最小二乘原理对初始值进行拟合改进,采用Lagrange插值方法将非等间隔序列转为等间隔序列,并基于新陈更替GM(1,1)模型利用MATLAB建立沉降预测模型;在此基础上,提出对模型残差进行GM改正以提高模型精度的方法。研究表明,通过对初始值序列改正后的模型具有较好的适应性,优化改进后的模型预测误差小,预测精度优于新陈更替GM(1,1)模型。     

基于双树复小波-LSSVM的大坝沉降预测

大坝沉降往往受多种因素影响,对此提出一种基于双树复小波-最小二乘支持向量机(LSSVM)的大坝沉降预测方法.利用双树复小波有效分离出大坝原始序列中隐含的不同频率分量,分析影响大坝沉降的水位、温度与各频率分量的关系,建立相应的LSSVM预测模型.实验表明,该方法有较高的预测精度.     

公路路基沉降灰色预测方法之探讨

根据公路路基沉降规律和GM(1,1)模型单调指数变化的特性,提出了对原始数列进行分析,合理选择GM(1,1)模型或灰色Verhulst模型。若原始数列处于快速沉降阶段,宜选用GM(1,1)模型;若原始数列处于沉降饱和阶段,宜选用灰色Verhulst模型,并用数学方法证明了灰色Verhulst模型的合理性。     

动态预测软土路基沉降的神经网络模型研究

人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。     

组合模型在高铁软土路基沉降预测中的应用

提出以误差平方和为最小和、误差绝对值和为最小的三点法-灰色GM(1,1)模型的组合预测方法,兼顾泊松曲线法和Asaoka法。结合实例,验证了组合模型在软土路基沉降预测中的可行性,为今后高速铁路软土路基沉降预测提供了更多的参考和借鉴。     

基于数据残差的AR模型在高铁路基沉降预测中的应用

传统的时间序列模型虽然可以通过差分形式来处理非平稳随机数据,但是当数据具有确定性效应的时候,对数据进行差分容易造成残差信息的浪费.通过对拟合后的残差建立AR模型,可以充分利用数据的趋势信息和残差信息,从而得到较好的预测效果.     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

相空间重构在滑坡预测中的应用

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机(LSSVM)的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机(LSSVM)建立预测模型,对滑坡进行了实证计算,且与LSSVM模型和BP神经网络模型进行了比较.结果表明,模型具有较高的精度...