基于概率统计分析的SVM模型在大坝变形预测中的应用

支持向量机对大坝变形进行预测的过程中,需要输入影响因子,如果不对影响因子直接处理,直接将大量的影响因子输入到支持向量机模型(SVM)中,势必会造成数据的冗余,同时,影响因子与影响因子之间存在着关联性,从而造成影响因子输入的重叠效应,另外,在输入影响因子过程中,很难保证影响因子输入的完整性,针对此,本文将概率统计的主成分分析(PPCA)引入到大坝变形影响因子预处理中,利用该模型可实现对缺失数据的提取,并将提取的数据作为SVM模型的输入因子,再利用设定的模型进行数据的拟合及预测,便可获得较为稳定的大坝变形分析结果。     

基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

基于PCA与PSO-SVM的谐振接地系统故障选线方法

为解决谐振接地系统单相接地故障对故障初始角为零以及接地电阻为高阻的故障线路识别效果差的问题,提出一种基于主成分分析与粒子群算法优化支持向量机(PCA-PSO-SVM)的选线方法。该方法通过Matlab/Simulink对小电流接地系统进行仿真,采集瞬时零序功率数据,将数据输入PCA-PSO-SVM模型中进行训练与测试,并将测试结果与单一的支持向量机模型以及经粒子群优化后的支持向量机模型进行对比,结果表明PCA-PSO-SVM模型有着更好的选线准确度与选线效率。     

基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

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。     

不同采样策略下地震滑坡敏感性分析研究EI北大核心CSCD

针对地震滑坡规律复杂,预测难度大,而传统地震滑坡敏感性分析采样策略研究不足的问题,分析不同采样策略对地震滑坡敏感性分析的影响。以多边形缓冲区作为采样区,并将滑坡的发生区域及前两者总和2个采样策略用于对比实验。选取4·20芦山地震中受灾严重的宝盛乡作为研究对象,根据采样策略对滑坡各个评价因子进行采样,并构建支持向量机模型定量计算敏感性指数,再利用自然断点法生成敏感性区划图。通过多种方法对结果进行分析。其中,以多边形缓冲区为采样策略得到的滑坡正确率94.44%,受试者工作特征曲线下面积99.1%,种子单元面积指数综合评价效果最佳,3项结果均占优势。结果证明该采样策略是有效可行的,可为后续防灾减灾工作提供依据。     

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。     

汶川地震滑坡分布规律与危险性评价

汶川地震诱发了数以万计的滑坡灾害,造成了巨大的财产损失与人员伤亡。本文基于地理信息系统、遥感、地质工程、统计学等理论,以汶川地震滑坡为研究对象,开展人机交互解译、信息自动提取、失稳机制分析、分布规律分析、危险性评价等方面的研究工作,取得了以下主要研究成果:(1)采用震后多源遥感影像人机交互解译,结合野外调查验证方法,圈定出48 000多处地震滑坡,总面积约为711.8km2。应用GIS技术,建立了汶川地震滑坡及相关地形、地质等空间数据库。(2)基于不同遥感影像,采用监督分类、非监督分类、决策树等多种方法,对北川县湔江流域部分地区进行地震滑坡信息的提取与对比分析。结果表明,采用SPOT5影像,基于最大似然法分类方法与坡度的决策树方法所得结果最理想。(3)对一些源区被地表破裂穿过的滑坡进行野外调查,在分析其与地表破裂空间关系的基础上,初步提出这些滑坡的触发原因不单是地震动作用,而是断裂错动与地震动2种外力的综合作用,且断裂错动的影响甚至高于地震动。(4)分析汶川地震滑坡强度–频率关系,分析结果表明:大光包滑坡与文家沟滑坡是汶川地震事件诱发的2个超大规模滑坡事件,除这2个滑坡及与其面积差小于0.1 km2的滑坡,汶川地震诱发的滑坡强频方程为y=-1.834 17x+12.369 1,其中,x为单体滑坡面积(m2)的常用对数值,y为滑坡面积大于该面积值的滑坡数量的常用对数值。统计滑坡空间分布与地震烈度、地震动加速度峰值PGA、岩性、地形等参数的关系,得出汶川地震滑坡易发因子内部级别。(5)分别采用确定性系数方法与证据权重方法,对汶川地震滑坡区域进行危险性评价,结果表明,证据权重方法略优于确定性系数方法。考虑了不同因子组合情况下的滑坡危险性,结果表明:地震烈度对地震滑坡的影响最大,而地形、地质、人类活动因素对地震滑坡危险性评价的影响较小。滑坡极高危险区与高危险区主要集中在一个沿发震断裂分布的带状区域内,表明地震滑坡受活动构造的控制作用强烈。(6)基于Logistic回归模型,分别对2组模型训练样本和不同百分比(100.0%,90.0%,80.0%,70.0%,60.0%,50.0%,40.0%,30.0%,20.0%,10.0%,5.0%,2.0%,1.0%,0.5%,0.2%,0.1%)训练样本开展地震滑坡的危险性评价。结果表明:2组模型训练样本的滑坡危险性评价结果较接近;对于不同百分比训练样本,当训练样本百分比大于等于10%,尤其是大于30%时,评价结果稳定;当训练样本百分比小于10%时,评价结果出现较大异常。(7)以北川县湔江流域部分地区作为研究区,采用人工神经网络模型,基于3组不同的滑坡训练样本、两类与单类评价样本、Logistic函数与Hyperbolic函数等12种方法进行地震滑坡危险性评价。结果表明,人工神经网络方法应用于汶川地震滑坡危险性评价的结果不理想。(8)基于3组不同的滑坡训练样本,采用两类支持向量机与单类支持向量机评价模型以及线性函数、多项式函数、径向基函数、S型函数4类计算函数等方法(共24种),对北川县湔江流域部分地区进行地震滑坡危险性评价。结果表明:基于500个最大滑坡的点数据训练样本的两类支持向量机模型与径向基函数结果的正确率最高;在地震滑坡危险性评价中,两类支持向量机比单类支持向量机更科学;在核函数的选择上,径向基函数最优。     

滑坡的综合集成智能分析与优化设计方法研究

鉴于滑坡是多因素相互影响的高度非线性力学问题，智能、全局优化以及确定性力学分析方法的综合集成是很有吸引力的。总结了关于滑坡的监测、智能预测、分析与优化设计等方面的最新进展，包括综合集成智能分析与优化设计方法学、位移-时间序列建模的进化支持向量机、滑体参数反演的进化支持向量机-有限元方法、加固方案优化设计的演化神经网络-数值方法以及这些方法在高速公路滑坡(如福建八尺门滑坡、襄十滑坡)和三峡库区滑坡的应用研究成果。结果表明，所提出的综合集成智能分析与优化设计方法是科学合理的。最后还讨论了今后一段时间内的研究发展方向。