大型海上风电项目工程期保险采购实务分析与探索

我国海上风电目前处于快速发展阶段,其风险保障及转移工作至关重要。论文通过分析海上风电主要风险特点,引出国内外保险市场合同条款差异,并通过国内保险采购实例分析,论述大型海上风电项目工程期保险安排特点及经验,探索今后保险市场发展及采购策略。     

基于粒子群算法改进最小二乘支持向量机的工程投资风险评价模型

为了有效控制工程投资风险,有预见性地采取风险应对策略,通过粒子群算法优化最小二乘支持向量机的核函数参数和正则化参数,构建了一种工程投资风险评价模型。分别采用WBS和元分析法分析工程项目投资环境面临的内部和外部风险因素,并建立投资风险评价体系。根据工程实际情况采用专家打分法对17个已完工项目和4个新开工项目进行投资风险因素打分,将打分值归一化处理后作为最小二乘支持向量机的输入向量,4个新开工项目的风险评价值作为输出向量,根据评价值确定其对应的风险等级。结果表明,粒子群改进最小二乘支持向量机模型预测的平均误差为2. 48%,能够较准确地评价投资风险等级,为工程投资风险控制提供参考依据。     

基于模糊网络层次分析法的海上风电项目风险评估研究

为了实现对海上风电项目风险评估,提出了一种基于网络层次分析法的模糊综合评价法,通过实地的数据收集以及相关领域专家意见,设计综合评价的基本参量。以此为基础,对某海上风电场项目风险应用进行了研究。研究结果表明,该项目的风险处于中等风险,在最大隶属度原则下其最大评估值为0.335。     

基于优化相关向量机的财政支出项目绩效评价

财政、预算部门对财政支出进行项目绩效评价是其判断财政支出产出和效果的重要工作内容之一。但在现阶段的财政支出项目绩效评价工作中,尚未做到经济有效地对全部项目的评价。在现有评价方法基础上,提出一种基于优化相关向量机的财政支出项目绩效评价方法,利用相关向量机较小样本空间即可满足训练要求的优点,以专家评价项目作为训练样本,通过训练、遗传算法优化得出最佳相关向量机预测模型,应用最佳相关向量机预测模型实现对全部项目的评价,避免了现有项目绩效评价方法对全部项目进行评价时专家成本高、评价时间长等不足,实现了全部项目的无偏差绩效评价,评价过程更为客观和公正。实例研究结果表明,采用该方法进行的财政支出项目绩效评价结果与传统专家评价结果基本一致,准确率较高。     

海上风电项目长距离海缆敷设ROV后冲埋施工探析

现阶段海上风电项目海缆施工主要采用"边敷边埋"冲埋式埋设犁施工法,这种工法施工限制因素较多且相对不可控,项目建设风险较大。在分析海上风电项目长距离海缆敷设施工主要限制因素的基础上,提出了一种ROV后冲埋敷设施工方法,分析ROV在施工过程中的关键施工要点、优势及其存在的风险与控制措施。     

基于SVM-AFSA的公租房REITs融资风险评价

为解决公租房REITs融资过程风险因素非线性、高度拟合特点等导致难以快速、高效对融资风险进行评价的问题,提出一种基于SVM-AFSA的公租房REITs融资风险评价模型。首先利用人工鱼群算法(AFSA)对支持向量机(SVM)的核函数及惩罚因子优化处理,寻找最优训练参数,提高支持向量机的预测精度;再借助支持向量机在处理非线性、小样本数据方面的优势对兰考县健康小区公租房REITs融资风险进行评价,结果表明该公租房REITs融资风险等级为一般。     

基于模糊-突变理论的风电项目设计阶段风险评价

风电项目不仅能够缓解能源短缺问题,还可以降低环境污染,是实现“双碳”目标的重要途径。但风电项目的风险同样不容忽视,而设计阶段的成功与否能够影响项目全生命周期的风险与收益。采用专家调查法对风电项目设计阶段风险因素进行识别,并建立风电项目设计阶段风险指标评价体系。在此基础上结合模糊理论,建立风电项目风险因素评价突变模型,并将该模型应用于风电项目设计阶段风险评价。通过风险评价,可以在设计阶段发现风电项目的总体风险及主要风险源,为有效控制风电项目风险提供依据和对策。     

海上风电投资项目风险评价及应对研究

海上风电建设项目属于技术密集型产业,对其进行投资管理具有一定的难度。论文有针对性地提出了海上风电投资项目的风险应对措施,从锁定机组并网电价、合理规避法律风险、聚焦工程建设要素等方面进行了详细分析,相关成果具有一定的可实施性。     

海上风电项目施工的全方位主要注意事项

海上风电项目按结构形式分为固定基础式海上风电与漂浮基础式海上风电。虽然二者的结构形式与力学性能迥异,但在施工层面存在较为紧密的相似性与关联性。论文通过对两类海上风电项目施工所涉及的主要内容进行分析,总结归纳了建设固定基础式海上风电项目与漂浮基础式海上风电项目存在的共性与注意事项,对后续海上风电项目的开发、投标、施工以及运维等全方位内容的实施有一定的参考与借鉴作用。     

SVM在水泥机械故障诊断中的应用研究

基于支持向量机的故障预测和诊断方法是目前该领域的研究热点。这里介绍了支持向量机的原理、支持向量机在故障诊断过程中故障状态分类及回归上的应用,针对经典支持向量机的不足,提出了改进方法:双扰动集成支持向量机,并通过试验数据说明了其有效性。     

组合权重法在海上风电项目社会评价中的应用

以我国海上风力发电项目为研究对象,根据其特点建立海上风力发电项目社会评价多层次评价指标体系,结合实际案例进行社会评价研究。针对海上风力发电项目社会评价指标权重的确定问题,引入粗糙集及信息增益理论,对传统AHP法改进,修正其不稳定性、主观性的影响,综合考虑主客观权重得到合理、有效的组合权重,并进行有无项目对比下的模糊综合评判。粗糙集及信息增益方法的运用,使得评价结果更具客观性、科学性,为投资决策者提供了有效依据。     

基于层次分析法的宏腾西乌项目风险分析

以宏腾西乌风力发电项目为例,采用层次分析法对宏腾西乌风力发电项目的风险进行了分析,建立了风险分析模型,并对各风险因素之间的关系进行了对比,计算了相互之间的权重关系,进而确定了项目各因素的风险等级。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

SVM在张弦桁架施工变形预测中的应用研究

在介绍支持向量机的理论基础及其在时间序列预测中应用方法的基础上,建立一种基于支持向量机的结构变形预测方法。通过在某会展中心张弦桁架实际变形数据中的应用并与AR模型预测方法进行对比,验证了基于支持向量机的结构变形预测方法的准确性和优越性,该方法有较高的预测精度,并且在预测区间较长情况下同样有效,具有较大的研究意义并可以在实际预测中应用。     

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。     

Project success prediction using an evolutionary support vector machine inference model

Accomplishing construction projects successfully requires continuous monitoring and control by construction managers of factors critical to project success. This research proposed using an Evolutionary Support Vector Machine Inference Model (ESIM) to predict project success dynamically. ESIM is a hybrid that integrates a support vector machine (SVM) with a fast messy genetic algorithm (fmGA). SVM is concerned primarily with learning and curve fitting, while fmGA deals primarily with optimization. Furthermore, the model integrates the process of Continuous Assessment of Project Performance (CAPP) to select factors that influence project success. Training and test patterns were collected from a CAPP database of 46 construction projects. These projects represent real data collected by Russell from 16 company members of the Construction Industry Institute (CII). Results show that ESIM is able to predict project success at a significant level of accuracy.     

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。     

基于随机森林的房地产项目风险评价

利用随机森林算法,基于房地产公司的视角,研究了 48 宗住宅地块的潜在投资风险,建立了包括 3 个维度 18 个指标的房地产项目风险评价指标体系。结合对J公司高管的访谈结果,进行了随机森林模型分析,发现该模型精确度高达95.6%,能够有效识别房地产项目的风险,得出了 5 个最重要的指标:项目区位、教育资源、城镇可支配收入、城镇化率、地区吸引力。并利用 10 折交叉验证得出了对于本研究数据,随机森林相对于 k 最近邻和支持向量机误判率更低的结论。     

Predicting profitability of listed construction companies based on principal component analysis and support vector machine—Evidence from China

In order to monitor the operating conditions of the construction industry, this paper incorporates the principal component analysis (PCA) and support vector machine (SVM) to predict the profitability of the construction companies listed on A-share market in China. With annual financial data in 2001–2012, this paper selected six indicators from different profitable perspectives to build a composite profitability index based on the PCA technique, and then established a SVM model to make the corporate profitability prediction of the construction companies in China. The results indicate that, the technical combination of the PCA and SVM can improve the profitability prediction significantly. In 2003–2012, the accuracy of predicting the profitability of the Chinese construction companies exceeded 80% on average. Compared with the artificial neural network (ANN), the SVM model has the superiority in the accuracy prediction of the Chinese construction companies.     

基于自注意力的隧道视频火灾识别技术研究

针对公路隧道火灾样本量少、深度学习效果不理想的问题，研究一种小样本学习技术，以提高对隧道火灾样本的利用率，并在此基础上利用成熟的机器学习方法，提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型，该模型针对各项特征对火焰识别的重要性分配不同的注意力权重，形成注意力矩阵，并将权重矩阵与特征向量的值相加权，通过SVM的Hinge Loss进行线性支持向量机分类，对公路隧道火灾进行识别和预警。在火灾识别训练过程中，通过对火焰疑似区域进行检测，并利用数据增强技术达到样本扩增的目的，随后采用多通道融合的特征提取方式构建特征向量，输入设计的自注意力火焰识别模型中，通过梯度下降优化器进行小批量模型训练，降低迭代次数，最终获得最优特征权重参数，得到最佳识别模型。试验结果表明，该方法在模型训练时收敛较快，在火焰识别时相比未使用小样本学习的传统SVM算法，准确率提高了5%，因此能在小样本环境下有效提高火灾识别的准确度。