软件模块故障倾向预测方法研究

研究了在区分故障严重程度下的软件模块故障倾向预测方法,将故障分为高严重程度和低严重程度两种类型,用统计分析和机器学习方法分析静态代码度量与故障倾向之间的关系。以公开和私有两种类型的失效数据集作为实验数据,分析发现,故障的严重程度影响预测性能,预测不同严重程度的故障需要选择不同的度量和分类模型,预测低严重程度故障的性能好于预测高严重程度故障的性能。     

基于支撑向量机概率输出的高光谱影像混合像元分解

提出利用支撑向量机(SVM)后验概率来分解高光谱影像的混合像元,通过支撑向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,并以像元所属类别的后验概率作为地物的组分信息。实验结果表明,该方法能较好地估计出混合像元的组分比。     

基于结构模式的道路网节点匹配方法

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图（Open Street Map）数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

基于深部位移的蠕滑型滑坡预警指标及预警预报研究

基于边坡监测数据建立数学模型,是边坡变形和稳定性分析的重要方法。但是单一预测模型的形式和应用范围具有一定的确定性,不同模型对数据的利用程度也有所差别,往往不能充分运用已知信息,导致模型精度不高,适用性不强。针对单一预测模型存在的问题,提出一种基于熵权法的PSO-SVR-NGM优化组合模型。该模型结合高精度变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型,能够减小单一预测模型的误差,大幅度提高预测精度。首先通过引入变权缓冲算子λ和背景值权重系数η、κ改进无偏NGM(1,1,k,c)模型,构建新的3参数变权缓冲NGM(1,1,k,c)模型。结合最大灰色关联度和最小平均相对拟合误差重新构造粒子群算法的适应度函数,利用改进的粒子群算法对提出的变权缓冲模型进行搜索寻优,确定最佳的参数组合。然后通过熵权法对改进的变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型进行赋权建立优化组合模型。最后,将该组合模型应用于3个不同变形特征的边坡工程中,并与其他单一模型进行对比分析。结果表明,相对于单一模型,本文所提出的组合模型的拟合和预测误差较小,与原始位移数据的相关性较好,能够更真实地反映边坡变形规律,具有较强的工程适应性。同时组合模型的提出与发展也促进了单一模型的优化改进,为解决实际工程问题提供了良好的思路。     

基于谱聚类算法的海底滑坡危险性评价

海底滑坡的危险性评价与分区,对海洋工程设施的选址和危险预防具有指导作用。本文基于无监督机器学习的谱聚类算法对黄河口埕岛海域展开了海底滑坡危险性评价,构建了输入参数为9、输出类别为4、核函数参数为0.08的海底滑坡危险性评价模型。使用该模型进行评价,将研究区分为了海底滑坡危险性高、较高、较低和低的区域。评价结果与地质环境因素分布特征对比显示,最重要的影响因素为海底沉积物类型和水动力作用,最重要的触发因子为液化。模型参数分析结果显示,合理简化输入因子可获得精度略低的评价结果,而核函数参数是影响评价准确性的重要指标。以上研究表明,谱聚类算法能够较好地用于海底滑坡危险性评价,数据类别丰富度和精度是影响评价精细程度的重要因素。     

基于SHAP值机器学习的江西暖季暴雨预报因子重要性分析

机器学习模型（Machine Learning,ML）的不可解释性给其在气象业务中的应用带来了挑战。模型解释和可视化是解决这一问题的有效途径。文中将SHAP值应用于天气预报ML模型解释,研究了江西省暖季暴雨模型的预报因子对预报结果的影响。分别选取2016—2020年、2021—2022年4—9月ECWMF（European Centre for Medium-Range Weather Forecasts）高分辨率数值模式物理量及国家站降水观测数据进行XGBoost 建模与模型解释。结果表明,全局重要性排名前4位依次是总降水（重要性42.70%）、850 hPa比湿（重要性11.17%）、925 hPa相对湿度（重要性10.44%）、500 hPa相对湿度（重要性 9.16%）。个例分析表明,命中个例中高重要性物理因子在暴雨区的 SHAP 值较大,漏报（空报）个例在漏报（空报）区域高重要性物理因子的SHAP值偏小（偏大）。SHAP值从全局和局部可定量给出ML模型有物理意义的解释,解释结果与天气学原理和业务经验较一致,有利于ML在气象业务中的深入应用。     

Assessment of sediment transport approaches for sand-bed rivers by means of machine learning

Abstract

The quantification of the sediment carrying capacity of a river is a difficult task that has received much attention. For sand-bed rivers especially, several sediment transport functions have appeared in the literature based on various concepts and approaches; however, since they present a significant discrepancy in their results, none of them has become universally accepted. This paper employs three machine learning techniques, namely artificial neural networks, symbolic regression based on genetic programming and an adaptive-network-based fuzzy inference system, for the derivation of sediment transport formulae for sand-bed rivers from field and laboratory flume data. For the determination of the input parameters, some of the most prominent fundamental approaches that govern the phenomenon, such as shear stress, stream power and unit stream power, are utilized and a comparison of their efficacy is provided. The results obtained from the machine learning techniques are superior to those of the commonly-used sediment transport formulae and it is shown that each of the input combinations tested has its own merit, as they produce similarly good results with respect to the data-driven technique employed.

Editor Z.W. Kundzewicz     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

基于机器学习的地震动特征提取与模拟以2021年云南漾濞6.4级地震为例

随着地震动数据数量的增长和质量的提高,将基于数据驱动的机器学习方法应用到地震动模拟中有重要意义。以2021年5月21日云南漾濞M_S6.4地震为例,利用主成分析方法从前震及余震地震动记录中提取特征母波时程,将地震动三要素作为模拟误差约束,在求解母波的线性组合系数时使用多目标优化算法寻优,最终找到帕累托最优解作为模拟目标台站记录时的组合系数,得到模拟地震动时程。结果表明:主成分析法在对实际地震动记录进行特征提取后,得到的特征母波时程可以在一定程度上保留原始数据的主要信息;考虑幅值、频谱和持时这三要素的角度去控制模拟误差,可以使得模拟的地震动时程更加接近真实记录。提出的基于特征提取的地震动模拟方法可以为基于小震数据合成大震地震动提供参考。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。