地下结构孕险环境危险性预警的改进SVM模型

针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

非线性支持向量机在油气预测中的应用

油气预测的传统方法通常是基于经验风险最小化准则,但在有限样本情况下,预测效果并不理想.研究引入基于结构化风险最小化准则的非线性支持向量机方法,通过对推广误差界的最小化达到最大的泛化能力和全局最优,时于小样本数据,该方法具有可靠的预测能力.在对四川观音场构造面新统上部碳酸盐岩储层数据处理中.通过实例试算,结果表明该方法有效可靠,预测精度高,与已知结果吻合较好.     

基于混合核函数PSO-LSSVM的边坡变形预测

支持向量机（SVM）的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法（PSO）对最小二乘支持向量机（LSSVM）超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。     

支持向量机对采空区稳定时间的预计

支持向量机是基于结构风险最小化原理的机器学习技术,在广泛收集金属矿山采空区失稳塌陷时间资料的基础上,建立了基于支持向量机的采空区稳定时间的预计模型。通过对采空区稳定时间测试样本的预测研究表明,用支持向量机来预计采空区的稳定时间是可行的。     

基于遗传支持向量机的地下工程裂隙岩体注浆量预测

提出了地下工程裂隙岩体注浆量预测的遗传支持向量机方法,通过支持向量机对实际注浆数据样本进行学习,建立注浆量及其影响因素之间的非线性映射关系,基于这种关系实现注浆量的预测。模型建立过程中,考虑到支持向量机惩罚因子和核参数对预测精度的影响,以预测误差为适应度,采用遗传算法对最佳参数进行搜索。结果表明,本文方法计算快速,预测精度高,是一种注浆量预测的好方法。     

基于模糊模式识别的支持向量机的回归预测方法

尝试把最近发展起来的支持向量机引入水文预测中,建立了支持向量机水文回归预测模型,为小样本情况下水文预测提供一种行之有效的可选择的方法。在此基础上,为了更好地处理水文系统中广泛存在的不确定、模糊信息,进一步把模糊模式识别理论引入支持向量机,提出一种模糊模式识别核函数。该核函数具有更明确合理的物理意义。冰凌预测实例表明了SVM水文回归预测方法及模糊模式识别核函数的有效性和可行性。     

基于KICA属性优化的支持向量机储层参数预测

为提高储层参数预测的精度,提出一种基于核独立分量分析(KICA)属性优化的支持向量机储层参数预测技术,KICA属性优化技术充分体现属性信息的非线性关系与高阶统计特性,提取出相互统计独立的反映地下储层参数的储层信息。支持向量机技术基于结构风险最小化原理,可解决小样本、高维与局部最小的非线性系统问题,二者有效的结合,能够将繁冗的地震属性空间,结合较少的井数据精确预测出储层的参数分布。通过模型及实际资料研究表明,本文储层参数预测方法的应用效果好,预测精度高。     

基于Ricker子波核的支持向量回归方法及其在地震勘探记录去噪处理中的应用

针对地震勘探中强随机噪声的去噪问题,引进支持向量回归方法,提出并证明一种新的Ricker子波核函数。支持向量回归采用核映射的基本思想,基于结构风险最小化原则,将回归问题转化为一个二次规划问题。对单道记录或多道记录中任选道的仿真实验表明,与传统的基于径向基核函数的支持向量回归及褶积滤波方法相比,使用本方法去噪后的同相轴更为清晰,波形恢复得更好,信噪比也较高,因此有可能将其应用于地震勘探记录的去噪处理中。     

采用支持向量回归从测井曲线定量计算油页岩含油率

获取油页岩含油率是油页岩资源评价的重要步骤,传统从测井曲线计算油页岩含油率多采用回归模型,但存在误差大或过拟合的局限性和弱点.本文尝试结合大数据概念的数据挖掘算法和测井应用知识进行油页岩含油率定量计算,提高含油率计算的精度以及模型的泛化性.利用改进的ΔlogR技术获得DT_s、DEN_s、GR_s作为解释变量.采用数据挖掘算法——支持向量回归进行定量计算油页岩含油率能够大幅提高泛化性和精度,获得模型训练样本R²得分为0.82,测试样本R²得分可达0.70,拟合精度较高.支持向量回归模型比传统回归模型泛化能力更强,能够避免过拟合问题,具有广泛的应用性.     

基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究

本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型.首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度.同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod...     

基于最大主曲率的煤储层渗透性预测方法

阐述了最大主曲率法用于煤层气藏储层裂缝渗透率预测的原理,运用三维地震沿层最大主曲率属性对构造裂缝进行了预测。通过分析裂缝间距、构造最大主曲率值、岩层厚度及渗透率之间的相关关系,建立了基于最大主曲率的煤储层渗透率计算模型,该模型对某区煤层气渗透率预测的结果与测井和实验室岩心分析结果吻合较好,表明基于最大主曲率的煤储层渗透率预测方法在煤层气藏裂缝渗透率预测中的可行性和合理性。      

Modeling of Oblique Load Test on Batter Pile Group Based on Support Vector Machines and Gaussian Regression

This paper evaluates the potential of two machine learning approaches i.e. Support vector machine (SVR) and Gaussian processes (GP) regression to model the oblique load capacity of batter pile groups. Linear regression was used to compare the performance of both SVR and GP based regression approaches to model the oblique load. Data set used consists of 147 samples obtained from the laboratory experiments. Out of the total sample size, 105 randomly selected samples were used for training whereas remaining 42 were used for testing the models. Input data set consist of angle of oblique load, pile length, sand relative density, number of vertical piles, number of batter piles where as oblique load was considered as output. Two kernel functions i.e. Polynomial and radial based kernel function were used with both SVR and GP regression. A comparison of results suggest that radial basis function based SVR approach works well in comparison to GP and linear regression based approaches and it could successfully be employed in modelling the oblique load capacity of batter pile groups. Parametric analysis and sensitivity analysis suggest that loading angle, pile length and number of batter pile were important in prediction of oblique load.     

Prediction of Resilient Modulus from Post-compaction Moisture Content and Physical Properties Using Support Vector Regression

The present study assesses the use of support vector machine regression to predict the variation of resilient modulus with post-compaction moisture content of soils commonly encountered in Oklahoma, Pennsylvania and Wisconsin. Results show the prediction model using the support vector regression (SVR) approach is a function of degree of saturation, moisture content and plasticity index. The developed model is compared to current models in the literature. Results indicate the proposed SVR model gives more accurate values than current regression models. This model will better predict changes in the bearing capacity of pavements due to seasonal variations of moisture content.     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算...     

Slope stability analysis: a support vector machine approach

Artificial Neural Network (ANN) such as backpropagation learning algorithm has been successfully used in slope stability problem. However, generalization ability of conventional ANN has some limitations. For this reason, Support Vector Machine (SVM) which is firmly based on the theory of statistical learning has been used in slope stability problem. An interesting property of this approach is that it is an approximate implementation of a structural risk minimization (SRM) induction principle that aims at minimizing a bound on the generalization error of a model, rather than minimizing only the mean square error over the data set. In this study, SVM predicts the factor of safety that has been modeled as a regression problem and stability status that has been modeled as a classification problem. For factor of safety prediction, SVM model gives better result than previously published result of ANN model. In case of stability status, SVM gives an accuracy of 85.71%.