支持向量机在饮用水水源地水质评价中的应用

采用回归支持向量机(SVR)和分类支持向量机(SVM)对饮用水水源地水质进行评价。针对支持向量机学习参数难以确定的不足,利用粒子群优化(PSO)算法寻优支持向量机学习参数,提出PSO-SVR及PSO-SVM评价模型,以文山州2014年13个饮用水水源地水质评价为例进行实例研究。结果表明:利用PSO算法寻优支持向量机学习参数可有效提高模型的评价精度和泛化能力。PSO-SVR及PSO-SVM模型对实例水质评价结果相同,各具特点和优势,均可用于相关水质综合评价。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

基于人工鱼群优化的支持向量机的水文预报系统

在比较各种水文预报方法的基础上,研究利用一种改进的支持向量机算法(SVM)对水文进行预测。阐述支持向量机理论的理论基础和原理,针对缺陷,提出基于人工鱼群优化的支持向量机算法(AFSVM),介绍人工鱼群算法基本理论和AFSVM,建立基于人工鱼群优化的支持向量机的拉萨河水文预报系统模型,并与标准的支持向量机预测模型进行对比。实验结果表明,AFSVM与标准SVM模型的预测精度差不多,AFSVM的训练速度优于标准SVM训练速度。     

基于ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

基于PSO的SVM-ARIMA大坝安全监控模型

大坝监控过程中,大坝变形的实测值是一个非线性且非平稳的时间序列,支持向量机(SVM)适用于解决小样本、非线性问题,在SVM算法的基础上建立了改进的大坝变形监控模型,利用差分自回归移动平均模型(ARIMA)解决非平稳时间序列问题的优势,对SVM模型的残差进行处理,并采用粒子群算法(PSO)优化支持向量机(SVM)中的核函数。实例分析表明,优化后的组合模型预测结果可靠,且精度较SVM模型有所提高。     

基于多模型集成的月尺度磨刀门咸潮预测研究

近年来,珠江三角洲磨刀门水道咸潮频发,严重威胁周边地区的供水安全。分别应用随机森林算法(SVM)、支持向量机(SVM)以及Elman神经网络(ENN)建立回归模型,并应用贝叶斯模型平均算法实现咸潮月尺度集成预测。研究结果显示:(1)随机森林、支持向量机以及Elman神经网络算法在小样本集上表现出不同的不确定性特征;(2)贝叶斯模型平均能够显著提高模拟精度,纳什效率系数(NSE)达到0.67,相比于3个子模型在测试集上分别提高了22%、24%、33%。     

支持向量机在吉林西部地下水环境质量评价中的应用

根据支持向量机(SVM)的原理和特点,设计了多层次分类器,改进了支持向量机的分类算法,将该方法应用于吉林省西部地区的地下水环境质量评价,并将该评价结果与当前常用评价方法的评价结果进行对比分析,评价吉林西部地下水环境质量现状。     

多层次分类支持向量机在水质评价中的应用

在介绍支持向量机(SVM)原理的基础上,设计采用多层次分类器改进支持向量机的分类算法,并利用该方法评价磐石市的地下水水质,同时与模糊综合评判、灰色聚类和神经网络评价结果对比。结果表明,该方法可以用于水资源学科的分类评价计算。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于遗传算法-支持向量机的水库叶绿素a浓度

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型.在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量.最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测.预测精度比单纯用人工神经网络方法有较大提高.     

基于SVM的丁坝群束水攻沙功能预测

丁坝群坝田为回流区,主流区束窄流速增加,形成束水攻沙之势。在理论分析基础上,提出反映丁坝群束水攻沙功能的指标可用设计最低通航水位时的河面宽度以及宽深比表示。基于回归支持向量机理论,建立了丁坝群束水攻沙功能指标的预测模型,模型的输入因子为反映来水来沙量及变化过程、水面比降、河床形态及床沙组成等因素,输出因子为功能指标;采用试算法确定模型不灵敏参数ε、惩罚常数C和核函数参数σ。以张南水道下浅区为例,采集模型中需要的数据,基于MATLAB编程实现SVM模型训练,训练样本显示模型精度符合要求,验证得到的结果相对误差在10%以下,SVM预测模型较BP人工神经网络模型效果更佳,模型具有实用性。     

基于IPSO-RVM的大坝安全预警模型

针对SVM(Support Vector Machine,支持向量机)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的RVM((Relevance Vector Machine,相关向量机)用于大坝安全预警模型的构建。核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用PSO(Particle Swarm Optimization,粒子群算法)能有效地对核参数进行寻优,针对标准PSO算法容易陷入局部最优点的缺陷,提出IPSO(Improved Particle Swarm Optimization,改进的粒子群算法)。将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高。     

突变理论与BP神经网络相结合的堤防安全综合评价

针对堤防工程失事后果严重,难以进行全线监控等问题,从致灾因子、孕灾环境和承灾体3个方面考虑,选取恰当的评价指标,构建了多层次多目标半结构性的堤防工程安全评价指标体系。在堤防安全评价指标体系的基础上,提出基于突变理论与BP神经网络相结合的堤防安全综合评价模型,即将突变理论归一公式处理后的指标作为BP神经网络的输入,通过试错法确定中间层,输出为堤防安全综合评价值。利用该模型对黄河宁夏段堤防工程进行堤防安全综合评价,并将综合评价模型评价结果分别与主成分分析法和层次分析法的评价结果进行对比分析。结果表明,模型评价结果合理,既考虑了系统内部各影响指标间的矛盾关系,也具有较强的鲁棒性,简单实用,对同类水利工程安全评价具有借鉴意义。     

城市供水网络的综合安全评判方法及运用

针对供水网络安全性评价具有模糊性的特点,根据相关历史资料建立供水管网安全等级表,引入改进的层次分析法(AHP)确定评价指标的权重,在此基础上,发展了模糊模式识别模型和模糊综合评判相结合的多层次多级复杂系统模糊集评价方法.并对青岛市某区域管网进行了安全评价,提出了该区域供水管网的安全等级.     

水电工程施工安全投入与产出效益研究

目前我国水电工程施工存在着安全投入管理不足、安全投入与安全产出不平衡的问题。本文通过对水利水电工程施工进行分析,得到安全投入与产出的内容和量化公式,通过安全投入与产出效益的关系,引入工程安全的投入消耗、效益、事故损失等系数指标,构建水电施工安全效益模型,将模型运用到实际工程管理中,使产出效益与安全投入达到最佳效果。对实际工程案例进行数据分析,使安全投入与安全产出得到合理的分配,计算出水利水电工程施工的安全评价指标系数,为今后的水电工程施工提供数据模型支持,以有助于工程的安全投入与管理。     

水库安全生产成熟度模型

水库工程一旦失事危害很大,其安全生产是平安水利建设的重要内容之一,为了客观评价水库安全管理水平,将软件能力成熟度模型引入水库安全生产评价中,分析水库安全生产行为,建立水库安全管理成熟度模型和综合评价指标体系,并提出将水库安全评价指标多目标化,自上而下细化到可以客观评价和操作,进行成熟度赋值,自下而上逐层汇集的成熟度等级评价方法,为水库安全管理水平的提高和持续改进提供了保障。     

高拱坝抗震安全评价指标研究——以白鹤滩拱坝为例

为研究拱冠梁中上部在地震作用下的局部稳定性,提出合理的局部抗震安全评价指标,本文以白鹤滩拱坝为例,建立三维有限元模型进行数值模拟计算。将拱冠梁中上部作为研究对象,以基于坝段的抗滑安全系数及抗滑安全系数持时作为局部安全评价指标,研究了两个指标随地震动峰值加速度(PGA)的变化规律及其沿坝段高程的分布规律,并基于指标的统计结果明确了拱冠梁中上部薄弱位置。结果表明,随着PGA的增加,拱冠梁中上部抗震安全薄弱面所在的位置是逐步降低的。PGA低于0.8g时,拱冠梁中上部位抗震安全的薄弱面位于0.79~0.83倍坝高位置;PGA大于等于0.8g时,拱冠梁中上部抗震安全的薄弱面位于0.76~0.79倍坝高位置。本文计算结果与高拱坝振动台地震破坏试验结果相近,提出的评价指标应用于拱冠梁中上部的评价效果较好,可为高拱坝中上部抗震薄弱部位的定位及大坝安全监测提供参考。     

三维可视化大坝安全监控系统研发及应用

先进可靠的三维可视化大坝安全监控系统能准确检查大坝结构,展示仪器埋设位置,提高实时监测信息及大坝安全管理的效率。通过对大坝监测数据的深入分析,并依据规范拟定应力、渗流量等监控指标对三维数值模型进行正反分析,可确定大坝变形预警值。以湖南托口水电站为例,采用BIM技术构建了大坝实体、地形场景以及监测信息的三维可视化模型,并开发出集成了三维可视化模型展示、数据查询、数据展示及安全预警四大模块的大坝安全监控系统。该系统能全方位展示大坝结构、监测数据分析结果、监控指标等信息,并直观展示实时信息,实现了大坝安全监控预警,提高了大坝安全管理效率。相关经验可供类似水利水电工程的安全监控系统开发借鉴。     

大坝工作性态监测评估的云模型及其应用

大坝工作性态评估是水库大坝安全管理急需解决的重大问题之一。基于云模型理论探讨了大坝工作性态评价的新模型,从变形性态、渗流性态及环境因素3个方面来构建指标体系,建立基于云模型和组合赋权法的大坝工作性态能力评估模型,该模型依据大坝工作性态评价因子分类标准,计算各评价因子隶属于不同大坝工作性态等级的云数字特征,并结合评价因子权重和正向正态云发生器,得到待评样本的综合确定度,以确定大坝安全级别。实例应用结果及与其它评价方法对比结果表明,该模型应用于大坝工作性态分类是有效可行的,且具有计算过程简便,结果可靠的优点,也为其他类似问题分析提供了参考。     

大坝安全评价中的信息赋权模型

为了充分挖掘大坝安全评价指标样本中的数据信息，以合理确定各评价指标的权重，提出直接由样本数据驱动基于投影追踪分析新型算法的赋权模型，来提取各样本数据信息中所反映的各评价指标的权重。实例计算结果表明，该新模型利用样本数据的信息比常规方法充分，计算结果合理，在大坝安全分析评价和辅助决策中具有一定的推广应用价值。