基于小波分解和支持向量机的办公建筑空调负荷预测北大核心

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

滑坡综合集成智能分析方法研究进展

本文综合课题组在滑坡方面的研究,以具体的滑坡工程为实例,详细介绍了滑坡现场监测、基于GIS的滑坡三维可视化、综合集成智能滑坡分析方法,包括滑坡变形预测的进化支持向量机建模、加固方案优化设计的进化神经网络-数值方法、基于动态聚类的进化神经网络危险性分区、滑体参数反演的进化支持向量机-有限元方法、滑动面搜索的免疫连续蚁群-极限平衡分析、滑动面参教反演的粒子群优化算法等。结果表明,所提出的滑坡研究综合集成智能分析方法是适用、科学和合理的。     

基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

地理信息系统/遥感技术支持下三峡库区青干河流域滑坡危险性评价

以统计模型为基础、地理信息系统作为工具的滑坡灾害评价模式已经得到普遍认可和使用,数字高程模型(DEM)、遥感影像、区域地质调查资料已经成为区域滑坡评价研究的因子数据源。选择三峡库区青干河流域顺向坡滑坡多发地段为研究区,在滑坡编目数据库基础上,通过:(1)数字高程模型获取高程、坡度、地形聚水能力因子;(2)遥感影像获取植被指数;(3)区域地质调查资料、数字高程模型计算斜坡类型定量因子TOBIA指数及获取岩石地层单元因子。采用二分类变量逻辑回归评价方法对上述6种因子建立滑坡危险性评价模型,开展地理信息系统/遥感技术支持下顺向坡滑坡危险性评价研究。研究结果表明,根据模型概率值分布和已知滑坡发育关系,可以将研究区划分为高危险区、中等危险区、低危险区3个等级,高危险区包含70%已知滑坡,中等危险区包含14%已知滑坡,评价结果和实际滑坡发育情况吻合,合理地反映区内滑坡灾害发育的总体特征。     

基于PSO-SVM模型的苯储罐泄漏浓度预测

以苯储罐为研究对象,利用ALOHA软件模拟了不同大气温度、风速、地面粗糙度、泄漏口直径和测点条件下苯浓度的变化。将ALOHA模拟数据作为训练样本,建立苯泄漏区域浓度的粒子群-支持向量机(PSO-SVM)预测模型。为验证模型预测性能,采用遗传算法支持向量机(GA-SVM)模型和支持向量机(SVM)模型进行预测,并与PSO-SVM模型对比。结果表明,PSO-SVM模型预测效果优于GA-SVM和SVM模型。     

汶川县地震滑坡易发性LR与NN评价比较研究

通过地理信息系统(GIS)技术,结合神经网络(NN)和逻辑回归模型(LR)开展汶川县范围内地震诱发滑坡易感性评价,并对两种模型结果进行比较研究。基于2008年5.12 Ms8.0级地震,选取高程、坡度、坡位、坡向、岩性、微地貌、距断层距离、距水系距离、距道路距离、年平均降雨量、归一化植被指数、地震峰值加速度共12个因子作为地震滑坡影响因子,基于ARCGIS10.1平台将这些影响因子专题图层栅格化;采用提取的模型训练样本,由R软件对神经网络(NN)和逻辑回归模型(LR)进行训练;将训练好的模型对整个汶川县地震滑坡易感性进行仿真,并将仿真结果划分为五类滑坡敏感区域:极低,低,中,高和极高,分别得到LR与NN模型仿真的滑坡易发性分区图;根据汶川县实际地震滑坡分布图进行统计分析,以及采用ROC曲线对两种模型的仿真结果进行对比分析,神经网络(NN)和逻辑回归模型(LR)的AUC值分别为0.930和0.941。研究表明两种模型的滑坡易感性评价图与实际滑坡发育基本吻合,评价结果较好,且LR模型预测精度相对较高。     

基于多态系统理论的地震滑坡危险性评价模型

运用多态系统理论建立汶川地震滑坡危险性评价模型,用模型对汶川地震15个重灾县进行了评价,并用灾害数据对结果进行了检验,结果显示灾害密度大小与危险性等级高低对应良好。     

稀疏最小二乘支持向量机及其应用

提出基于特征向量选择(feature vector selection,FVS)的稀疏最小二乘支持向量机(sparse least squares support vector machine,SLS-SVM)模型,解决最小二乘支持向量机(least squares support vector machine,LS-SVM)稀疏化问题。采用FVS在特征空间构建特征向量子集,对训练样本进行稀疏线性重构;将稀疏化的特征向量作为支持向量,从而实现对LS-SVM稀疏化建模。将SLS-SVM模型进行弓网系统的仿真对比实验,结果表明SLS-SVM模型在取得高预报精度的同时,可实现支持向量的高度稀疏化,从而加快模型预报速度。     

基于RS的汶川震后地质灾害信息提取方法对比分析

汶川地震诱发了大量的地质灾害,掌握震后地质灾害信息对民生经济至关重要。遥感手段能快速获取地质灾害信息。本文在ENVI平台下对汶川地区的影像数据进行了预处理,利用监督分类、支持向量机和基于专家知识的决策树分类三种方法提取了该地区震后地质灾害信息,采用混淆矩阵对三种分类结果进行了精度评定。实验结果表明:在当前数据源基础上,监督分类的精度最高,支持向量机分类次之,基于专家知识的决策树分类精度最低。