基于不同核函数的某重力拱坝相关向量机模型精度比较

鉴于相关向量机的模型精度受核函数的影响较大,建立了基于修正高斯核函数、多项式核函数及其混合核函数的某重力拱坝相关向量机模型,并利用自适应粒子群算法对核函数的参数进行寻优。实例应用结果表明,混合核函数的性能最优,可提高大坝安全预测精度。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于混合核RVM理论的大坝变形监控优化模型

鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。     

RVM-MC模型在大坝变形监控中的应用

基于相关向量机(RVM)本身泛化能力优良,对解决高维数的非线性问题效果明显的优点,将相关向量机应用于大坝安全监控中,采用一种改进的粒子群算法(APPSO)对核函数进行寻优,同时利用马尔科夫链处理模型残差以提高模型的拟合预测精度,进而建立RVM-MC监控模型。实例应用结果表明,与标准RVM模型相比,RVM-MC模型精度和泛化能力均有了显著提高。     

基于改进自适应遗传算法的大坝变形支持向量机预测模型

针对支持向量机模型预测大坝变形的核心为选取惩罚因子C和核函数参数σ的问题,以及标准遗传算法可能存在收敛局部小而最后得不到全局最优解、收敛速度慢等缺点,采用改进的自适应遗传算法对参数进行寻优。实例应用表明,与自适应遗传算法的支持向量机模型和统计模型相比,改进的自适应遗传算法的支持向量机模型推广能力和泛化能力更好,从而证明该预测模型具有可行性和实用性。     

大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟。采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响。对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析。     

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。     

不同机器学习模型对混凝土坝位移预测性能的影响

针对机器学习模型的合理选择问题,基于Gauss、Linear和Sigmoid核函数,对某拱坝径向位移利用支持向量机、关联向量机、极限学习机和传统多元线性回归法分别建立预测模型,并对比分析拟合均方差、复相关系数、最大绝对误差和预测置信带宽等模型性能评价指标。结果表明,机器学习模型的性能整体优于多元线性回归模型,但受核函数的影响较大,其中Sigmoid核函数所建模型的预测效果最好,且泛化能力最强,而Gauss核函数的过拟合问题非常严重;支持向量机模型的预测性能最好,且受核函数的影响相对较小,而关联向量机模型的预测置信带宽最小,能有效减少虚假警报。     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

基于改进Db1GEGA-SVM的大坝变形预警模型

支持向量机(SVM)能有效解决高维数非线性问题,且具有很好的泛化能力,其关键在于惩罚因子及核参数的选取;遗传算法具有良好的全局搜索能力与潜在的并行性,但局部搜索能力差,且易陷入早熟收敛。为提高大坝变形预警模型精度和泛化能力,提出利用改进的双切点交叉遗传算法(Db1GEGA)对SVM模型进行参数寻优,构建了基于改进Db1GEGA-SVM的大坝变形预警模型,并通过实例应用做了比较。结果表明,基于改进Db1GEGA-SVM的大坝变形预警模型具有更强的泛化能力和更高的预测精度。     

基于改进的最小二乘支持向量机的闸首渗流监控模型研究

鉴于大坝渗流监测受众多因素影响,首先利用主成分分析法对相关性较大的因子进行处理,然后利用最小二乘支持向量机进行建模,最后依靠遗传算法对其参数进行选优,建立了基于改进的最小二乘支持向量机的闸首渗流监控模型,并通过实例应用做了对比分析。结果表明,改进的最小二乘支持向量机模型可有效降低输入因子的维数,减小因子之间相关性,降低模型的训练时间,拟合精度均优于其他模型,更适合于渗流监测数据的建模。     

基于FOA和LS-SVM的风电场风速预测研究

针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。     

基于模糊C-均值聚类和支持向量机的大坝安全变形预警模型及应用

针对传统大坝安全变形预警模型预报精度不高的问题,提出了一种基于模糊C-均值聚类(FCM)与支持向量机(SVM)相结合的混合建模方法,该方法利用FCM算法将训练集划分为具有不同聚类中心的子集,运用SVM对每一类子集进行训练和建模,并针对FCM的聚类有效性问题,介绍了聚类数c和模糊加权指数m的参数自适应算法。将所提出的混合模型与标准支持向量机模型进行比较,可知本文模型的精度和泛化能力均得到了一定程度的提高。     

基于支持向量机的柴油机排气阀智能故障诊断研究

排气阀是柴油机的重要部件之一，其故障诊断一直受到研究者的关注，传统的学习机器在小样本学习时不具有良好的泛化能力，其现场效果与实验室精度差距较大。建立在统计学习理论基础之上的支持向量机具有和样本数相适应的最优泛化能力。利用支持向量机适合处理高维数据以及具有良好泛化能力的特点，建立了排气阀故障诊断模型，将排气阀振动信号经过小波包分解后提取的特征指标在小样本时进行支持向量机学习，通过不同核函数的支持向量机和其它智能方法准确率的比较证明：支持向量机较其它智能方法有较大的优越性；准确率对核函数有一定的敏感性；在常用的3种核函数中，线性核的诊断准确率达到了100％，是柴油机排气阀智能故障诊断支持向量机的最佳核函数。     

基于改进的PSO-SVM法的大坝安全非线性预警模型研究

针对常用的大坝安全预警模型存在的不足,将改进的粒子群(PSO)算法与支持向量机(SVM)相结合,建立了基于改进的PSO-SVM法的大坝安全非线性预警模型,即利用粒子群算法对支持向量机模型的参数进行寻优,同时为防止粒子群寻优过程陷入局部最优点,引入了位置因子和速度因子,并通过实例应用做了比较。结果表明,改进后的模型有效摆脱了粒子群陷入局部最优点,且具有更好的非线性拟合能力和泛化能力,可用于复杂大坝安全非线性预警建模。     

垃圾焚烧烟气中二噁英类浓度的支持向量回归预测

文章利用垃圾焚烧烟气的在线监测数据,探索建立二噁英类浓度与烟气中其他污染物浓度、工况参数的多元回归预测模型,从而实现对烟气中二噁英类浓度的间接实时监测,但受限于二噁英类浓度的监测成本高,可供回归预测训练的样本少的问题,线性回归预测模型的泛化能力较弱、稳定性较差。使用非线性的支持向量回归方法建模,有助于解决这一问题。文章使用3种核函数构建支持向量回归预测模型,应用华南地区某垃圾焚烧厂的10组监测数据作为训练集和测试集,比较了支持向量回归预测和多元线性回归预测的相对误差。研究结果表明,训练集为8组数据时,支持向量回归预测的相对误差明显小于多元线性回归,尤其是模型使用1阶多项式核函数和径向基核函数时的最大百分比误差较小,泛化能力较强。     

基于小波分析的并行膜混合核支持向量机月度负荷预测

针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。     

基于高斯核函数的支持向量机光伏故障诊断研究

及时进行光伏阵列故障检测和故障诊断,对提高光伏电站收益、减少光伏系统运维成本具有较强的理论和应用价值。文章基于MATLAB/Simulink模块建立光伏阵列仿真模型,并应用该模型仿真光伏阵列的各类故障。通过提取各类故障特性并基于高斯核函数支持向量机算法,建立光伏阵列故障诊断模型。结果表明,在10 kW光伏电站的实际运行中,该模型可较为精准地判别出各类故障。     

基于经验模态分解和支持向量机的大坝变形预测

为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

最小二乘支持向量机在某混凝土重力坝弹性模量反演中的应用

针对某混凝土重力坝大坝弹性模量反演的主要方法不能描述坝体位移与弹性模量之间的复杂非线性关系、反演时间长等问题,利用有限元分析软件ANSYS获得大坝在不同水位、不同弹性模量下的水平位移,以不同水位工况下的位移相对值与对应的大坝弹性模量作为最小二乘支持向量机的训练样本,建立基于最小二乘支持向量机的大坝弹性模量反演模型;基于大坝位移实测资料,构建位移统计模型并分离出不同水位工况下的大坝实测位移水压分量的相对值,将其作为大坝弹性模量反演模型的输入量,输出量即为大坝弹性模量的反演值。结果表明,采用基于最小二乘支持向量机的反演模型反演坝体、坝基的弹性模量的结果合理可信,为评价大坝运行状态提供了依据。