基于支持向量机的降雨-径流预测研究

本文探讨了支持向量机方法在降雨-径流预测中的应用.该方法采用结构风险最小化准则,弥补了人工神经网络在预测应用中的不足,较好地解决了小样本,非线性、高维数和局部最小点等实际问题.并且本研究通过与人工神经网络预测方法、传统的回归分析预测方法比较研究,得出支持向量机能取得更高精度的降雨-径流预测值.     

一种基于核学习的储集层渗透率预测新方法

基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。     

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。     

黄土路基沉降量预测方法的研究

归纳对比了评估指南所提出的几种常用沉降预测模型的优缺点,提出检验任一拟合方法是否是通过实测沉降数据预测最终沉降量的最优方法,除检验其拟合精度外,还必须检验其预测精度,并基于所提出的拟合指标及预测指标,分析郑西客运专线实测数据后提出了适用于黄土路基沉降预测的预测方法。并根据组合预测的思想,通过加权系数调整各单一预测模型的比例,基于最小二乘法进行求解,建立了组合预测模型。探讨了其拟合及预测精度,指出使用组合预测模型可综合利用各种方法所提供的信息,有效地减少单个预测模型受随机因素的影响,较大地提高预测精度,其拟合精度比任何单一预测模型高得多。但用其预测之前,必须将参与组合的模型进行筛选,预测精度与所选取的筛选准则是否合理息息相关,如何选择一个比较合理的筛选准则使得在保证被筛选用于最优组合模型的预测模型其权系数均大于0的前提下,误差平方和最小,仍需进一步研究。     

高填方边坡失稳时间预测的实用模型

建立一种准确可靠的方法来预测高填方边坡因蠕变破坏而发生滑坡的时间是困难的,但对防止财产和生命损失又至关重要。在总结高填方土质边坡蠕变破坏过程中的位移、速度特征的基础上,通过改进Saito模型的应变率公式,提出了基于改进人工蜂群算法的滑坡中短期预测的实用模型。将进入加速变形阶段后的滑坡位移时间序列作为输入,通过人工蜂群算法反演实用模型参数后输出预测的滑坡时间。以3个高填方滑坡为实例,应用滑坡位移监测点的测量数据,验证了该方法在滑坡时间预测上的准确性和可靠性。同时,将该方法预测的滑坡时间结果与传统的Saito系列模型预测的滑坡时间结果进行了比较。结果表明,在通过滑坡位移的时间序列进行滑坡时间预测时,所提出的实用模型比两种Saito模型更准确可靠。     

地下管线建设中应用非开挖技术的风险分析

本文基于现代风险预测的理论和方法,介绍了费用控制简表分析法及概率树分析在非开挖技术风险分析问题中的应用。此法可为我国施工企业的众多技术方案决策问题,提供科学可靠的途径。     

基于半监督神经网络的铜矿预测方法

将人工智能技术引入成矿预测研究中,可以提高预测效率,挖掘探测数据与结果之间的隐藏信息.利用半监督学习方法对样本构建要求低的优点,结合其在异常识别方面的应用效果,设计了基于分割准则的孤立森林与深度自编码网络的神经网络结构;基于西藏冈底斯地区的化探元素数据,对研究区内的铜矿进行了成矿预测工作,预测结果与已知矿区数据叠加效果较好,说明本文的神经网络结构能够完成成矿远景区的预测工作.      

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ICEEMD-ICA准则进行数据处理的基坑变形组合预测研究

为确保基坑变形的高精度预测，基于基坑现场变形监测成果，先利用ICEEMD-ICA准则进行数据处理，即将变形数据分解为趋势项和随机项，再通过ISFLA-RVM-GRNN模型实现其组合预测。最后，再引入若干传统预测模型进行类似预测，通过预测结果对比，验证本文组合预测思路的合理性。实例分析表明：ICEEMD-ICA准则能实现基坑变形数据的合理分解，其分解能力要优于传统分解模型，且在5个监测点的预测结果中，ISFLA-RVM-GRNN模型的预测精度较高，预测结果的平均相对误差间于1.97%～2.07%。经外推预测，得基坑变形趋于稳定方向发展。同时，通过不同模型预测结果的对比性验证，得出ISFLA-RVM-GRNN模型相较传统预测模型具有更优的预测效果，验证了其构建思路是合理有效的。     

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。     

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。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

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。     

泥石流危险性评价:模糊c均值聚类-支持向量机法

泥石流是一种能够造成灾难性后果的严重自然灾害,准确可靠的泥石流危险性评价对于其预警及防治工作来说至关重要。泥石流的危险性评价方法有很多,模糊c均值聚类（FCM）方法是其中一种应用广泛的分类方法;相比其他方法而言,其无需主观确定边界,并且能以各级隶属度矩阵为输出结果,方便应用。支持向量机（SVM）是基于结构风险最小化为目标的机器学习理论,以支持向量为算法支撑,具有一定的鲁棒性,并且适合在小样本条件下进行分类。本文选用FCM和SVM联合的方法,开展泥石流危险性的评价;对北京房山区南窖沟泥石流危险性进行分析,并对比其他评价方法所得结果,证明本文提出的评价方法具有较好的效果。     

Analysis of soil erosion characteristics in small watersheds with particle swarm optimization, support vector machine, and artificial neuronal networks

Sand production by soil erosion in small watershed is a complex physical process. There are few physical models suitable to describe the characteristics of the intense erosion in domestic loess plateau. Introducing support vector machine (SVM) oriented to small sample data and possessing good extension property can be an effective approach to predict soil erosion because SVM has been applied in hydrological prediction to some extent. But there are no effective methods to select the rational parameters for SVM, which seriously limited the practical application of SVM. This paper explored the application of intelligence-based particle swarm optimization (PSO) algorithm in automatic selection of parameters for SVM, and proposed a prediction model by linking PSO and SVM for small sample data analysis. This method utilized the high efficiency optimization property and swarm paralleling property of PSO algorithm and the relatively strong learning and extending capacity of SVM. For an example of Huangfuchuan small watershed, its intensive fragmentation and intense erosion earn itself the name of “worst erosion in the world”. Using four characteristics selection algorithms of correlation feature selection, the primary affecting factors for soil erosion in this small watershed were determined to be the channel density, ravine area, sand rock proportion, and the total vegetation coverage. Based on the proposed PSO–SVM algorithm, the soil erosion modulus in the small watershed was predicted. The accuracy of the simulation and prediction was good, and the average error was 3.85%. The SVM predicting model was based on the monitoring data of sand production. The construction of the SVM erosion modulus prediction model for the small watershed comprehensively reflected the complex mechanism of soil erosion and sand production. It had certain advantage and relatively high practical value in small sample prediction in the discipline of soil erosion.     

Precipitation pattern modeling using cross-station perception: regional investigation

Establishing robust models for predicting precipitation processes can yield a significant aspect for many applications in water resource engineering and environmental prospective. In particular, understanding precipitation phenomena is crucial for managing the effects of flooding in watersheds. In this research, a regional precipitation pattern modeling was undertaken using three intelligent predictive models incorporating artificial neural network (ANN), support vector machine (SVM) and random forest (RF) methods. The modeling was carried out using monthly time scale precipitation information in a semi-arid environment located in Iraq. Twenty weather stations covering the entire region were used to construct the predictive models. At the initial stage, the region was divided into three climatic districts based on documented research. Initially, modeling was carried out for each district using historical information from regionally distributed meteorological stations for calibration. Subsequently, cross-station modeling was undertaken for each district using precipitation data from other districts. The study demonstrated that cross-station modeling was an effective means of predicting the spatial distribution of precipitation in watersheds with limited meteorological data.     

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%.