最小二乘支持向量机模型在大坝监测中的应用

提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法的依据是相空间重构技术以及最小二乘支持向量机模型(LS_SVM)。阐述了基于混沌时间序列的最小二乘支持向量机模型的算法步骤,并指出该模型的评价指标为平均绝对误差(MAE)以及预测均方误差(PMSE)。利用该模型对某混凝土大坝5#坝段102号测点的垂直位移进行了预测,结果表明:基于混沌时间序列的LS_SVM模型的预测性能较好,能够很好地体现出模型的实际应用能力;模型的拟合及预报结果能够满足精度要求,与回归模型相比具有预测结果精度较高的优点。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

三角旋回优化支持向量机预测出清价及价格钉

针对传统支持向量机参数较难选择的问题,提出一种新的全局优化方法--三角旋回算法(Triangle Gyra-tion Algorithm.TGA)来优化支持向量机的参数.并且建立了三角旋回支持向量机数学模型.三角旋网算法具有结构简单、鲁棒性强和快速收敛的特点.算法的寻优过程采用历史最优目标甬数值进行指导,利用三角变换进行迭代使其能够快速收敛到全局最优.将其应用于电力市场出清价及价格钉的预测实例研究,与传统的支持向量机预测结果比较,三角旋回支持向量机具有更高的预测精度.     

基于DE-SVM的围岩支护模式识别设计方法研究

地下工程地质环境复杂和基础信息匮乏,围岩的地质结构参数与稳定性之间具有复杂的非线性关系.基于差异进化(DE)算法和支持向量机(SVM)提出了一种围岩支护的模式识别设计方法,通过支持向量机对收集代表性样本数据的学习,建立地质结构参数与支护类型的映射关系,即可以自动地根据围岩地质特征进行支护类别的设计.由于支持向量机的惩罚因子和核参数的选取对其预测精度有较大影响.引入全局智能优化算法--差异进化算法对上述参数进行优化,获得支持向量机的最佳预测模型.该方法克服了传统神经网络的过学习和一般支持向量机参数选取盲目的问题.通过工程实例的计算分析,说明该方法是可行的,能获得满意的效果.     

基于AWDO-SVR算法的石羊河流域生态系统健康评价

针对流域生态系统健康评价问题,采用自适应风驱动优化(AWDO)算法和回归支持向量机(SVR)耦合算法对石羊河流域进行流域生态健康评价。针对支持向量机参数不易确定的问题,利用自适应风驱动优化算法寻找支持向量机的最优参数,提出基于AWDO-SVR算法的评价模型。利用该模型运算速度快、简捷,不需要赋权的优势对石羊河流域水资源禀赋、水资源开发利用、社会经济功能3个方面共9个指标进行评价。结果显示石羊河上游生态健康程度为亚健康,中游为病态,下游为病态。其评价结果与可变集模型评价结果一致,说明AWDO-SVR算法能够较好地应用于流域生态系统健康评价。     

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PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

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。     

支持向量机在三江平原井灌水稻需水量预测中的应用

探讨了支持向量机在水稻需水量预测中的应用.在介绍支持向量机基本思想和回归算法的基础上,利用此方法对三江平原井灌水稻生育期内需水量进行预测.结果表明:该方法具有速度快,泛化能力强,并具有较高的模型拟合和预测精度,为当地制定合理的节水灌溉制度提供理论依据.