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。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

基于小波支持向量机的城市用水量非线性组合预测

基于支持向量机(SVM)和小波框架理论,建立了城市用水量非线性组合预测模型,介绍了该模型的结构设计方法,并采用SMO算法对模型进行求解。实例表明,该模型具有很强的泛化能力与适应数据和函数变化的能力,能够有效提高预测精度,可用于供水系统调度的用水量预测。     

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。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

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PSO-SVM模型的深基坑变形预测研究

深基坑变形预测一直是深基坑工程的一个重点研究课题,具有十分重要的理论意义和实际价值.支持向量机是一种基于结构风险最小化原理的机器学习算法,它具有很好的泛化能力,能够有效地解决小样本、非线性、高维数、局部极小等问题.本文将支持向量机(SVM)理论引入到深基坑的变形预测当中,同时,采用粒子群算法(PSO)来优化SVM的相关...     

基于支持向量回归机模型的地下水位动态模拟

研究地下水位动态变化,对于正确评价和合理利用地下水资源、防止土壤盐碱化及保护生态环境具有重要意义。为探讨不同核函数支持向量回归机对地下水位预测的效果,分别采用多元回归、BP神经网络及3种不同核函数SVR建立地下水位预测模型并进行对比分析。结果表明,RBF核函数SVR预测结果平均相对误差为0.85%,均方根误差为0.004,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.58%及0.006,精度次之;多项式核函数SVR预测结果对应误差分别为3.72%及0.016,精度与BP神经网络模型大致相同,但高于多元回归模型。在现有3种常用核函数SVR地下水位预测模型中,基于RBF核函数SVR模型预测能力最强,其次是Sigmoid核函数;而多项式核函数则效果最差。     

基于非线性优化理论的混凝土材料配合比研究

建立了高强混凝土的强度预测的非线性优化模型。并将该模型计算结果与实测混凝土28 d抗压强度进行比较。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,研究结果表明:与单一核函数高斯过程回归算法和支持向量回归(SVR)算法相比,提出的遗传-组合核函数高斯过程回归算法显著提高了预测精度,预测结果与实测结果吻合较好,具有较高的预测精度,为高强混凝土的强度预测提供了一条新途径。     

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。