位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

支持向量机函数拟合在边坡稳定性估计中的应用

在综合分析了各种边坡稳定性分析方法的基础上，提出了基于支持向量机的边坡稳定性预测方法，并在MATLAB中编制了相应的支持向量机程序，建立了相应的边坡稳定性预测模型。以大量的实例数据为学习样本和测试样本，讨论了基于支持向量机的边坡稳定性分析及其可行性，研究表明，用支持向量机方法来预测边坡的稳定性是可行的。     

基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

改进支持向量机在大坝变形预测中的应用研究

支持向量机算法进行建模的过程中,选取合适的核函数以及相关的参数组合是最重要的部分,参数选取的好坏将直接影响到预测结果的精度。本文采用基因表达式编程算法对支持向量机算法进行参数组选取,得到改进支持向量机算法并将其应用于具体工程实例之中。结果表明改进支持向量机大坝变形预测模型比传统支持向量机大坝变形预测模型得出的预测结果的精度提高了近3倍,从而说明基于基因表达式编程的改进支持向量机的预测模型在大坝变形预测中具有良好的预测效果。     

考虑覆冰厚度的输电线路覆冰增长预测

针对输电线路覆冰过程天气因素复杂、预测精度较差等问题,提出将覆冰厚度纳入特征向量,以覆冰厚度增长率为预测目标,并利用灰色综合关联分析法验证该方法的合理性;同时,将粒子群算法与最小二乘法支持向量机(LS-SVM)结合起来建立预测模型,得到覆冰厚度增长曲线。实例计算结果表明:预测方法改进后,训练集数据的拟合值与实际覆冰厚度的均方误差由0.23降至0.19,下降了17.4%;测试集数据的预测值与实际覆冰厚度的均方误差由5.10降至0.25,下降了95.1%,本预测方法的预测精度得到提高。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

基于支持向量机的边坡稳定性预测模型

根据影响边坡稳定性的主要因素,建立了边坡稳定性的支持向量机预测模型。该模型通过有限的经验数据的学习,建立了边坡稳定性与其影响因素之间的非线性关系。运用所建立的模型对具体的岩体边坡进行了判定,由结果知,基于线性核的支持向量机分类器不能有效地建立边坡稳定与影响因素之间的非线性映射,而基于神经网络核及径向基函数核的分类器能正确判定边坡的稳定性。     

岩爆基于支持向量机预测的智能模型

根据岩爆预测的特性,引入了支持向量机SVM的新方法,研究了支持向量机的基本原理及其在岩爆预测中的模型建立,通过某工程的实际应用证明：支持向量机在岩爆预测中取得了较好的效果。     

Slope stability prediction using ensemble learning techniques: A case study in Yunyang County,Chongqing, China

Slope stability prediction plays a significant role in landslide disaster prevention and mitigation. This study develops an ensemble learning-based method to predict the slope stability by introducing the random forest (RF) and extreme gradient boosting (XGBoost). As an illustration, the proposed approach is applied to the stability prediction of 786 landslide cases in Yunyang County, Chongqing, China. For comparison, the predictive performance of RF, XGBoost, support vector machine (SVM), and logistic regression (LR) is systematically investigated based on the well-established confusion matrix, which contains the known indices of recall rate, precision, and accuracy. Furthermore, the feature importance of the 12 influencing variables is also explored. Results show that the accuracy of the XGBoost and RF for both the training and testing data is superior to that of SVM and LR, revealing the superiority of the ensemble learning models (i.e. XGBoost and RF) in the slope stability prediction of Yunyang County. Among the 12 influencing factors, the profile shape is the most important one. The proposed ensemble learning-based method offers a promising way to rationally capture the slope status. It can be extended to the prediction of slope stability of other landslide-prone areas of interest.     

基于遗传–组合核函数高斯过程回归算法的边坡非线性变形时序分析智能模型

 与支持向量机相比,高斯过程有着容易实现、灵活的非参数推断及预测输出具有概率意义等优点。将高斯过程回归引入边坡非线性变形时序分析,采用单一核函数之和作为高斯过程回归的组合核函数以提高其泛化性能。目前通常采用共轭梯度法求取训练样本对数似然函数的极大值以自适应地获得最优超参数,但共轭梯度法存在优化效果初值依赖性强、迭代次数难以确定、易陷入局部最优解的缺陷。改用十进制遗传算法在训练过程中搜索最优超参数,形成遗传–组合核函数高斯过程回归算法,并编制了相应的计算程序。卧龙寺新滑坡变形时序分析结果表明,与遗传–单一核函数高斯过程回归算法和遗传–支持向量回归算法相比,所提出的遗传–组合核函数高斯过程回归算法显著提高预测精度,可以应用于边坡变形的时序分析,并为类似工程提供借鉴。     

烃类物质自燃点的QSPR预测研究

应用定量构效关系（QSPR）方法对烃类物质的自燃点开展了预测研究。选取国际电工委员会数据库中的39 种烃类物质作为样本集，随机选择34 种作为训练集，5 种作为测试集。采用遗传算法（GA）对变量进行筛选，结合线性和非线性方法分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型，理论预测得到了5 种烃类物质的自燃点。结果表明，2 个预测模型均比较稳定，理论预测值与实验值均较为相符，GA-SVM 模型预测结果较GA-MLR 模型更接近于实验值，这表明自燃点与其分子结构间具有更强的非线性关系。     

基于SVM 的海上风电项目运行期风险评价

海上风电项目投资成本高、运行环境复杂,为了有效预防控制其运行期风险,降低风险损失,提出了基于SVM（支持向量机）的海上风电项目运行期风险评价方法。在建立海上风电项目运行期风险评价指标的基础上,运用支持向量机理论构建海上风电项目运行期风险评价模型,通过具体项目数据分析其预测准确性。通过实证分析表明,在实际项目风险评价过程中,支持向量机的方法比传统评价方法更便捷、精确度更高,能够为海上风电项目运行期风险管理提供可靠依据。     

SVM的信息粒化时序回归预测城市用水量

利用基于信息粒化的支持向量机预测模型对某市11个月的时用水量数据进行模拟训练,对下一个月的每日最高时用水量进行预测.首先提取每日的最高时用水量,再将每7个数据变换为一个三角型模糊粒子,该模糊粒子中的三个参数Low、R和Up分别代表一周内最高时用水量变化的最小值、平均值和最大值,然后利用SVM对最高时用水量及Low、R和Up进行预测.针对SVM在预测时调整自身相关参数困难的问题,提出了运用网格法对模型中的参数进行优化选择.实例分析结果表明,该模型建模速度快,预测精度高,且实用性强.     

应用小波支持向量机的预应力混凝土碳化深度研究

构造了一类小波核函数,并利用小波核函数支持向量机对预应力混凝土碳化深度进行了仿真和预测。将小波函数用于SVM得出一类小波核函数,并将其与径向核函数SVM、神经网络在预应力混凝土碳化深度预测中的应用进行了对比。研究发现,SVM对预应力混凝土碳化深度的预测精度要远远高于神经网络,且小波核函数SVM比径向核函数SVM精度高。小波核函数在一定场合下精度要比径向核函数高,SVM用于预应力混凝土碳化深度的预测是可行的,且具有较高精度。     

一种冲击地压多参量前兆信息辨识模型及方法

 针对冲击地压预警困难这一难题,基于地音监测提出一种新的前兆信息辨识模型及方法。在固定大小的时间窗口内对地音监测信号进行时频域特征提取,得到11个表征冲击地压灾害前兆的多维特征向量,以实际地音监测数据为训练样本,基于SVM理论建立冲击地压多参量前兆信息辨识模型;提出一种新的SVM学习方法,用于解决工程实际应用中的大规模不平衡数据集训练问题,提高SVM分类准确率及速度。利用地音实测数据作为学习样本对支持向量机进行训练,建立相应的前兆辨识模型进行辨识,准确率达到93.87%。实验分析表明,这种方法有效可靠,样本辨识速度快,能够满足在线监测要求,具有工程应用前景。