排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
介绍一种稀疏的贝叶斯学习算法——关联向量机(RVM),它在再生核希尔伯特空间中学习,利用贝叶斯方法推理,推广能力好,与支持向量机相比不仅解更为稀疏而且不需要调整超参数。应用RVM的对小样本的良好分类能力,提出一种基于RVM的入侵检测原型系统。 相似文献
3.
海绵城市是针对城市建设中解决城市雨洪问题提出的生态理念,其本质是通过渗、蓄、净、排等手段解决城市水资源问题的综合治理.本研究从环境地质条件出发,考虑海绵城市建设中地质体的海绵属性,开展研究区原位双环渗水试验和工程钻孔,针对原始海绵地质条件的降雨入渗最大深度和地表土体渗水速度进行分析,提出海绵渗水、海绵蓄水两个指标.该指标可有效表示及概括海绵城市建设中环境地质适宜性,易得易懂,具有较强的普适性,易于推广.最后以中国中部城市新乡市为例,进行海绵城市建设环境地质适宜性评价. 相似文献
4.
5.
砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。 相似文献
6.
7.
采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。 相似文献
1