排序方式: 共有28条查询结果,搜索用时 15 毫秒
1.
针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。 相似文献
2.
基于一种改进的支持向量机(?-SVR)和改进的遗传算法(GA),提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用?-SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用?-SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于?-SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。 相似文献
3.
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法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明:在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。 相似文献
4.
膨胀土的胀缩等级判定对膨胀土地区工程建设具有重要的意义。为此,本文提出了一种基于支持向量回归机(SVR)模型的膨胀土胀缩等级预测方法。基于肯尼亚“蒙内铁路”沿线膨胀土的土工试验数据,以土体自由膨胀率作为预测目标,构建了包含两种不同预测指标体系的膨胀土胀缩等级预测模型。模型I以液限、塑限、塑性指数、3种不同粒径的颗粒含量(< 0.075、0.075~0.25、0.25~0.5)、土的类型为输入参数,模型II以液限、塑限、塑性指数、粒径< 0.075的颗粒含量、土的类型为预测参数。两个模型在预测时采用Linear、Polynomial、RBF和Sigmoid核函数进行训练。结果表明:(1)当预测采样次数达到1000次时,训练模型均趋于稳定;(2)整体而言,模型I的预测精度要优于模型II,模型I中采用RBF核函数建立的模型给出了最高准确率86.6%,其次为Linear核函数(准确率82.9%)和Sigmoid和函数(准确率75.1%)。模型II中采用RBF核函数建立的模型给出了最高准确率77.4%,其次为Linear核函数(准确率74.3%)和Sigmoid和函数(准确率72.9%);(3)采用Linear函数、Sigmoid函数和RBF函数作为核函数模型对44组未知胀缩等级的土样预测时,模型I中三者预测结果相同的数量占比为73%,其余组土样的预测胀缩等级相同或相邻,不存在“越级”现象,模型II中三者预测结果相同的数量占比为68%,不存在“越级”现象。最后,通过与模糊层次分析法评价结果对比,进一步证明了本文研究结果可为肯尼亚等类似地区工程建设中膨胀土的胀缩等级预测和处理提供依据。 相似文献
5.
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DTs、DENs、GRs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. 相似文献
6.
7.
AbstractThe scour phenomena around vertical piles in oceans and under waves may influence the structure stability. Therefore, accurately predicting the scour depth is an important task in the design of piles. Empirical approaches often do not provide the required accuracy compared with data mining methods for modeling such complex processes. The main objective of this study is to develop three data-driven methods, locally weighted linear regression (LWLR), support vector machine (SVR), and multivariate linear regression (MLR) to predict the scour depth around vertical piles due to waves in a sand bed. It is the first effort to develop the LWLR to predict scour depth around vertical piles. The models simulate the scour depth mainly based on Shields parameter, pile Reynolds number, grain Reynolds number, Keulegan–Carpenter number, and sediment number. 111 laboratory datasets, derived from several experimental studies, were used for the modeling. The results indicated that the LWLR provided highly accurate predictions of the scour depths around piles (R?=?0.939 and RMSE = 0.075). Overall, this study demonstrated that the LWLR can be used as a valuable tool to predict the wave-induced scour around piles. 相似文献
8.
基于SVR的GPS高程拟合模型研究 总被引:2,自引:0,他引:2
研究基于支持向量机回归(SVR)的GPS高程拟合模型,介绍SVR的基本原理,在选择不同样本量的情况下与多项式曲面拟合方法进行比较.试验结果表明,支持向量机回归方法的精度优于曲面拟合方法,尤其在小样本条件下,能够利用有限的样本信息获得最好的学习效果和泛化能力,比常规方法更具优越性. 相似文献
9.
10.