地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

“海绵城市”让雨水变成财富

近些年来,逢雨必涝逐渐演变为我国大中城市的痼疾。然而,要解决"城中看海"的问题,却不仅仅是管道扩容这么简单。1月15日财政部下发的《关于开展中央财政支持海绵城市建设试点工作的通知》提到,根据习近平总书记关于"加强海绵城市建设"的讲话精神和近期中央经济工作会要求,财政部、住房城乡建设部、水利部决定开展中央财政支持"海绵城市"建设试点工作。"海绵城市"是指城市能够像海绵一样,在适应环境变化和应对自然灾害等方面具有良好的"弹性",下雨时吸水、蓄水、渗水、净水,需要时将蓄存的水"释放"并加以利用。"海绵城市"建设应遵循生态优先等原则,将自然途径与人工措施相结合,在确保城市排水防涝安全的前提下,最大限度地实现雨水在城市区域的积存、渗透和净化,促进雨水资源的利用和生态环境保护。     

基于小波变换和支持向量机的中国大陆强震预测

将小波变换和支持向量机用于中国大陆年度最大地震震级预测。 先用小波变换把中国大陆年度最大地震序列分解成几个不同尺度水平(频率)的子序列, 然后使用支持向量机对分解后的子序列分别进行预测, 最后通过重构几个子序列的支持向量机预测结果得到最终预测结果, 预测次年中国大陆最大地震震级。 与支持向量机和神经网络方法对比, 结果表明小波变换和支持向量机相结合方法具有更高的预测精度, 预测效果很好, 说明此方法可用于地震时间序列预测。     

基于支持向量机的砌体结构震害预测新方法研究

应用简便、可靠的震害预测方法对我国大量存在的砌体结构进行抗震性能评估,是防震减灾工作的重要举措。基于支持向量机(support vector machine, SVM)理论提出了砌体结构震害预测新方法。首先,详细阐述了基于SVM的砌体结构震害预测新方法的基本原理及步骤;其次,确定了砌体结构的震害影响因子及量化值,建立了震害样本数据库及预测模型;最后,将SVM预测结果分别与实际震害结果和BP神经网络预测结果进行对比分析。结果表明,基于SVM模型的砌体结构震害预测方法步骤简单。结果可靠,在样本数据有限的情况下相对BP神经网络算法有较大的优势,可以用于砌体结构的震害预测。     

基于近似支持向量机的流体识别因子融合

通过叠前反演获得的单参数或组合参数都有一定的流体识别能力,但如何将多种流体识别因子有效融合是目前进行流体识别的一个难题.利用人工参与进行流体性质的综合解释是目前流体识别因子融合的主要途径,但这种方法人为干扰较大,不确定性强.鉴于此,本文提出了一种基于近似支持向量机的流体识别方法.该方法首先以实际工区测井资料为依据,优选出对工区内储层所含流体特征敏感的流体识别因子作为输入参数,然后通过近似支持向量机进行流体性质的判别,实例证明该方法的识别结果客观准确,是一种可靠的流体识别方法.     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine, IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识...     

最小二乘支持向量回归滤波系统性能分析

支持向量机(Support Vector Machine: SVM)一直作为机器学习方法在统计学习理论基础上被研究和发展,本文从信号与系统的角度出发,证明了平移不变核最小二乘支持向量机(Least Squares SVM: LS-SVM)是一个线性时不变系统.以Ricker子波核为例,探讨了不同参数对最小二乘支持向量回归(Least Squares Support Vector Regression: LS-SVR)滤波器频率响应特性的影响,这些参数的不同选择相应地控制着滤波器通带上升沿的陡峭性、通带的中心频率、通带带宽以及信号能量的衰减,即滤波器长度越长通带的上升沿越陡,核参数值越大通带的中心频率越高,且通带带宽越宽,正则化参数值越小,通带带宽越窄(但通带中心频率基本保持恒定),有效信号幅度衰减越严重.合成地震记录的仿真实验结果表明,Ricker子波核LS-SVR滤波器在处理地震勘探信号的应用中,滤波性能优于径向基函数(Radial Basic Function: RBF)核LS-SVR滤波器以及小波变换滤波和Wiener滤波方法.     

基于多通道融合HOG特征的全天候运动车辆检测方法

对传统的梯度方向直方图(HOG)特征提取方法进行改进,提出了一种基于多通道特征提取的加权HOG特征融合方法。首先采用基于亮度均值的方式对彩色车辆图像增强处理,其次采用自适应加权法将H、S、V三通道的梯度方向直方图(HOG)特征融合成多通道融合HOG特征,最后采用支持向量机(SVM)对融合后的特征进行车辆分类器训练和车辆检测。该方法与直接运用HOG特征进行车辆检测以及其他车辆检测方法相比,具有检测率高、鲁棒性强等特点,并且在各种气候环境下都能实现较好的检测效果,效果优于其他方法,达到了全天候车辆检测的要求。     

特征选择双层svm的融合算法用于极化sar图像分类

为了充分利用极化合成 孔 径 雷 达（ s y nthetica p etureradar,sar） 图 像 丰 富 的 地 物 信 息 并 解 决 单 一 特征在图像分类中的局限性问题,提出了一种基于特征选择双层支 持 向 量 机（ su pp ortvectormachine,svm） 的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于 sar 图 像 的 分 类。首先,对sar 图像进行多种类型特征矢量 的 提 取 以 能 完 整 地 描 述 全 极 化 sar 图 像;其 次,进 行特 征 归 一 化 处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔（ s p atialpy ramid,sp） 分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联 （ minimumredundanc yandmaximumrelevance,mrmr） 特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层 svm 模型,实现单层目标类别概率 的 优 化 和 再 处 理。实验结果验证了该算法对于极化sar图像分类的有效性。     

基于集合经验模态分解的土壤重金属Cd定量反演

针对高光谱定量反演土壤重金属含量的模型精度不足的问题,本文从时频空间的角度引入时频分析法——集合经验模态分解（EEMD）。采用EEMD法分解土壤高光谱,获得不同频率的本征模态（IMF）分量,通过分析IMF分量与重金属含量的相关性,提取特征光谱,构建EEMD-SVM定量反演模型。研究结果表明,通过EEMD法分解土壤光谱,可有效地提取土壤光谱中的微弱信息;构建EEMD-SVM模型可较好地反演土壤重金属Cd含量,模型的决定系数R²为0.920 3,明显高于基于一阶微分处理光谱数据后构建的SVM模型的R²（0.786 6）。即说明在土壤重金属定量反演领域,EEMD可作为一种新的光谱处理方法。