支持向量回归算法在土体含水率AHFO测试中的应用研究

主动加热光纤法(AHFO)可实现土体原位含水率的分布式测量,但受场地复杂环境的影响,现有含水率计算模型解译获得的测试结果容易发生较大误差。本文在试验研究的基础上,探究了土体干密度对AHFO法含水率计算的影响,并将支持向量回归(SVR)算法引入含水率的计算模型中,与传统计算模型进行了对比。研究结果表明：土体干密度是影响含水率计算模型精度的重要因素,干密度波动越大则传统计算模型的计算误差也越大,土体较高含水率下会降低计算模型的敏感性;与传统的含水率计算模型相比,考虑干密度影响的径向基核支持向量回归方法具有更高的计算精度,建议在含水率AHFO法的测试中推广应用。     

基于遗传算法优化的支持向量机在岩性识别中的应用

为提高测井岩性识别的精度,本文结合乌夏地区岩芯资料和测井数据,总结该地区砂砾岩测井响应特征,优选出声波、自然伽马、密度、中子孔隙度和电阻率等5条测井曲线参数作为训练和测试样本,通过遗传算法挑选出最佳的支持向量机核函数参数σ和惩罚因子C,建立支持向量机岩性识别模型。结果表明该模型实际数据预测总体符合率为81.6%,在识别准确率上与传统测井识别砂砾岩岩性方法相比都有明显提升。     

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.     

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。     

面向带电作业的手臂末端输出力评估方法

为了解决带电作业时手臂末端输出力的准确控制,提出一种基于表面肌电信号（sEMG信号）和支持向量机回归（SVR）实现对手臂末端施力的评估方法.通过手握机械手臂末端的手柄,做往复推拉运动,记录此时手柄处的力传感器的数据F,同时利用3组肌电信号传感器同步采集手臂的肌电信号.将肌电信号提取特征后,与力F组合成样本集合S,在样本集合中随机抽取50%的样本数据作为训练集,分别训练BP神经网络、GRNN神经网络以及SVR神经网络.最后用训练好的神经网络对整个样本集中的力F进行预测,并用均方根误差和相关系数评估模型的预测效果.结果显示,SVR神经网络的预测效果较好,其均方根误差为3.074 0,相关系数为0.951 7.     

浅谈怎样做好防雷减灾工作

该文从防雷减灾6个方面的工作入手,重点介绍提高对防雷工作重要性的认识、做好防雷的宣传工作、注意工作方式方法、争取相关部门的支持、树立良好形象、加强自身建设的工作思路与做法。     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。     

豫西地区雷暴预警预报系统构建方法研究

目前,基层台站在雷暴预警预报中主要依赖传统经验预报方法,而对卫星云图、大气电场、多普勒雷达回波和高分辨率数值预报产品等资料释用水平不高,存在主观定性分析多、客观定量计算少等不足。依托现有气象资料和雷暴预报方法,以雷暴预警预报系统构建为目标,从气象数据仓库构建、支持向量机雷暴预报、相似预报雷暴预报、Poor Man集合预报技术和多源数据融合分析等方面,探讨了雷暴预警预报系统构建方法,实现了雷暴中期预测、短期预报和短时临近预警三个层次的预报功能,解决了气象资料庞杂难以管理、数值预报产品释用水平不高、数值预报结果存在"跃变"、多源数据融合分析缺乏手段等问题,提高了基层台站雷暴预报工作效率和预报水平,同时也为其他地区类似系统构建提供了参考。     

基于集合预报极端天气预测指数的浙江分类强对流预报模型

利用2016—2021年ECWMF集合预报资料、浙江自动站实况资料等,计算浙江短时强降水、雷暴大风和冰雹等强对流天气相关物理量的极端天气预报指数（EFI：Extreme Forecast Index）,分析EFI分布特征,并构建了分类强对流预报模型。结果表明：强对流天气与物理量的EFI有密切联系,发生短时强降水时,对流有效位能、整层可降水量、850 hPa与500 hPa温差和位温差的EFI较大,而垂直风切变的EFI为负值,因而较小的垂直风切变更有利于出现极端降水;发生雷暴大风和冰雹时,对流有效位能、850 hPa与500 hPa温差和位温差以及850 hPa温度露点差的EFI较大,700 hPa露点温度的EFI为负值,与上层干冷下层暖湿的有利层结条件有关。利用支持向量机多分类方法,将强对流天气相关物理量的EFI作为特征值开展训练,构建的预报模型对于非局地强对流天气有较好的预报效果,其中短时强降水的误判率明显低于雷暴大风。     

基于纹理特征和机器学习的卫星云图分类实验

准确识别云对提升天气预报和气候预测准确性有着重要意义,传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,在分类速度和分类精度上都有了明显提升。本实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机（SVM）、随机森林（RF）和XGBoost分类器实现了对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类,实验结果表明：①三种分类器对该实验云分类的平均准确率分别为RF（62.5%）＞XGBoost（61.7%）＞SVM（60.0%）;②三种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;③SVM对密层云（67.9%）、RF对卷层云（68.9%）、XGboost对晴空（68.3%）的分类效果次之,平均分类精度均达67%以上。