基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

含有集约束向量极值问题的最优性条件

在序线性拓扑空间里研究了含有集约束向量极值问题的最优性条件,并建立了充分性和必要性条件.     

GPS变形监测平差计算及不确定度分析

全球定位系统（GPS）是一种全天候、高精度的连续定位系统,它以速度快、方法灵活多样、操作简便等优势被广泛应用于工程测量和变形监测中。结合水厂铁矿GPS边坡变形监测实例,对GPS监测网的星历预报、基线向量平差计算、网平差计算、结果及残差不确定度进行了细致分析研究,以验证GPS技术在边坡变形监测中的可靠性和精度。     

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

胶州湾夏季异养浮游细菌的时空变化规律及影响因素

2001年夏季对胶州湾异养浮游细菌在一个潮周期内的变化规律及影响因素进行了研究。结果表明,胶州湾异养浮游细菌数量的垂直分布特征是表层大于底层,表层平均8.99×109个/L,底层平均5.23×109个/L。胶州湾水体异养浮游细菌日变化幅度在表层水体较为明显,底层相对较小,但其变化规律均为最高值在小潮期而最低值出现在大潮期。浮游动物摄食、浮游植物光合作用产生的溶解有机物及水温和日光中的紫外辐射是影响胶州湾异养浮游细菌昼夜变化的主要因素,水交换是影响其日变化的主要因素。     

上海海平而变化规律及其长期预测方法的初探

根据１９１２￣１９９３年吴淞验潮站年平均潮位资料，采用多变量逐步回归和最大熵谱分析等方法分析以吴淞为代表的上海绝对海平面长期趋势的周期变化规律，并依此规律建立用作绝对海平面长期预报的叠加模型，由此预测２０１０年和２０３０的上海色对海平面相对于１９９０年的上升值为５ｃｍ，１１ｃｍ，结合已分布的未来上海地区地面和速率预测值，给出上述时段上海相对平面上升预测值分别为１７ｃｍ，３０ｃｍ。     

模型沙干重度的变化规律及其在泥沙模型试验中的作用

模型沙干重度在动床模型试验中是影响起动流速比尺和冲淤时间比尺的重要参数，其随淤积历时、粒径变化、埋置深浅和加工方法的不同有着不同的变化规律。通过试验，结合已有的成果，对模型沙干重度受以上几种因素的影响进行了研究，并进一步分析了其变化规律在动床模型试验中的作用。     

基于光谱和纹理的SVM矿化蚀变信息提取研究

针对传统矿化信息提取方法单一,利用光谱或纹理、信息量相对较少、需要大量样本的缺陷,利用基于光谱和纹理的支持向量机(SVM)原理,建立矿化信息提取模型.选择青海泽库县析界日地区作为典型研究区.首先提取研究区光谱和纹理信息,选取训练样本;然后求解最优超平面,进而确定决策函数;最后泛化推广识别其他待识别的样本.通过所提取的遥感蚀变异常信息与重砂异常点叠加分析,叠加基本吻合;从野外实地验证来看,均发现了不同程度的矿化现象,并指出了5个重点异常区.     

基于SVM的多源遥感影像面向对象建筑物提取方法

在分析支持向量机(Support Vector Machine,SVM)分类技术和机载激光雷达(LIDAR)数据、航空影像特征的基础上,提出了基于SVM的LIDAR数据和航空影像的面向对象建筑物提取方法。结果表明,该方法充分利用了多源影像的互补信息,能够得到更高的信息提取精度,准确而快速地更新地理空间数据库,是一种有效的面向对象建筑物提取方法。     

区域似大地水准面确定的最小二乘支持向量机方法

支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性.