岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于GA-SVM的输电塔结构基础施工成本预测

针对输电塔结构施工地点偏远,基础结构施工成本难以预测的问题,提出了一种基于遗传算法(GA)-支持向量机(SVM)的输电塔基础施工的成本预测方法。该方法通过遗传算法得到最优参数组合的支持向量机,将输电塔成本预测问题转化为回归问题。通过一输电塔基础施工实例来说明方法的有效性。结果表明,相比神经网络和传统的SVM算法,GA-SVM对小样本的模型预测效果显著,所述方法能较准确预测输电塔结构基础的施工成本。     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

基于PCA的DE-SVM资源型企业财务风险识别模式研究

资源型企业与传统的制造业相比,财务风险在发展过程中有较大差异。文章立足于资源型企业财务风险,采用主成分分析法(PCA)提取代表资源型企业财务特点的七个关键因素指标;打破传统运用粒子群算法(PSO)对支持向量机(SVM)的优化,采用较粒子群算法更稳定,优化性能更好的差分进化算法(DE)对支持向量机(SVM)进行优化,形成DE-SVM财务预测模型。将上市的ST资源型企业和非ST资源型企业近三年财务数据放置于DE-SVM、PSO-SVM以及单一的SVM财务模型中进行对比后发现,DE-SVM预测结果比PSO-SVM以及SVM更精准,运行速度更快,效率更高。因此,DE-SVM财务预测模型有助于提高资源型企业对财务风险问题的识别。     

基于PSO-SVM的黄土湿陷性预测研究

湿陷系数是描述黄土物理力学性质的重要指标，利用现有资料建立黄土湿陷性预测模型具有重要的工程应用价值。通过粒子群算法(PSO)优化支持向量机(SVM)，建立基于PSO-SVM的黄土湿陷性预测模型，SVM用于描述湿陷系数与黄土物理力学指标间的非线性关系，PSO对SVM参数进行全局寻优，避免人为选择参数的盲目性，从而提高模型的预测精度。结果表明PSO-SVM方法在精度和适用性方面由于传统的人工神经网络方法，建立的黄土湿陷性预测模型可以满足工程应用需求。     

基于GA-SVM的基坑施工地面沉降时间序列预测研究

基坑施工引发的工程性地面沉降的因素众多,地面沉降数据具有高度的非线性,高精度的地面沉降预测具有一定的困难。利用三次样条插值法对观测数据进行预处理,运用遗传算法(GA)寻找支持向量机(SVM)的最优参数并建立GA-SVM时间序列预测模型,应用于基坑工程信息化施工和动态设计。用GA-SVM时间序列预测模型对广州某地铁站基坑工程的地面沉降数据进行预测,并与实测值相和其他预测方法相比较,该模型有明显的优越性,对基坑施工安全性的提高具有重大的意义。     

基于RF-GA-SVM的医院集中供暖系统一次侧流量预测模型研究

医院集中供暖系统一次侧流量受多种不确定因素影响。为了降低输入空间维度、节约运算成本、提高预测精确度,提出了一种基于随机森林(RF)特征重要性评估-遗传算法(GA)优化支持向量机(SVM)参数算法的预测模型。首先利用RF算法对特征变量实施重要性评估,利用交叉验证法对特征变量进行过滤,构建供暖系统影响因素指标体系,其次利用遗传算法优化支持向量机参数建立回归预测模型(RF-GA-SVM),最后结合某医院集中供暖系统数据进行了实例分析并与RF预测模型、GA-SVM预测模型进行了对比。预测误差分析表明,本文提出的预测模型(RF-GA-SVM)降低了输入空间维度,避免了局部最优,提高了预测精确度。     

SVM模型预测充填体强度

为了准确评价和预测充填体强度,提出基于支持向量机(Support vector machine SVM)的强度预测模型,建立了充填体强度与影响因素之间的SVM模型(建立胶凝材料掺量与胶砂比与充填体28d单轴抗压强度),首先分别采用不同的寻优算法来计算模型关键参数即核函数的参数g和惩罚系数c,分析每种算法的结果参数与预测结论影响,从中选出最优对充填体预测强度的参数寻优算法SVM回归模型。通过分析:PSO算法、GA寻优算法、网格寻优的训练集回归参数各为0.88931、0.9727、0.88605。PSO算法、网格寻优、GA寻优算法的测试集回归系数分别为0.9842、0.97868、0.86683,三种算法中GA-SVM的泛化能力较差,PSO算法的推广性较强。改进的GA-SVM模型的泛化能力较强,预测得到的相关系数R=0.9877,高于传统GA寻优算法。SVM为充填体强度预测提供了新的技术手段。     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

导水裂缝带高度预测的模糊支持向量机模型

针对传统支持向量机(SVM)模型在导水裂缝带高度预测中存在着易受奇异值干扰而造成的泛化能力降低问题,提出了基于异常样本探测、剔除的模糊支持向量机模型(FSVM)。采用模糊聚类分析和加权支持向量机(WSVM)相结合的方法,首先根据模糊ISODATA算法求得导水裂缝带高度及其影响因素的最优分类矩阵,剔除分类结果不一致的观测样本,然后以模糊隶属度为样本权重,按照WSVM建模思想建立了导水裂缝带高度预测的FSVM模型。通过实例将FSVM和WSVM、SVM的预测结果作对比分析。结果表明,FSVM避免了异常样本对预测结果的影响,并顾及了建模样本的不同重要程度,其预测精度比WSVM和SVM有较大的提高。     

基于SVM预测模型的工程初设阶段概预算研究

为了提高建筑工程初期设计阶段的工程预测可靠性,在国内外学者研究成果的基础上,通过对支持向量机(SVM)的改进从而提出一种最小二乘支持向量机的算法模型(SVM预测模型),进而实现对工程初设阶段造价进行较为详细、全面的预测。并从某房建项目中选取已经完工的15个成品住宅项目为工程依托,将提出的SVM预测模型进行工程应用,结果表明最大误差值小于误差允许值,误差精度满足要求,提出的SVM预测模型可为工程初设阶段概预算提供参考价值。     

基于PCA-SVM的廉租房PPP融资风险预测

为提高廉租房PPP融资风险预测的精度,提出一种基于PCA-SVM的廉租房PPP融资风险预测模型。首先应用主成分分析(PCA)对廉租房PPP融资风险指标进行降维处理,消除指标间的冗余;进而将降维后的指标作为支持向量机(SVM)的输入,运用支持向量机完成对廉租房PPP融资风险预测。工程实例证明该模型可提高支持向量机的泛化能力、训练速度及精度。     

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。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

烃类物质自燃点的QSPR预测研究

应用定量构效关系（QSPR）方法对烃类物质的自燃点开展了预测研究。选取国际电工委员会数据库中的39 种烃类物质作为样本集，随机选择34 种作为训练集，5 种作为测试集。采用遗传算法（GA）对变量进行筛选，结合线性和非线性方法分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型，理论预测得到了5 种烃类物质的自燃点。结果表明，2 个预测模型均比较稳定，理论预测值与实验值均较为相符，GA-SVM 模型预测结果较GA-MLR 模型更接近于实验值，这表明自燃点与其分子结构间具有更强的非线性关系。     

基于改进果蝇算法优化SVM的个人信用风险评估

为了提高信用风险评估的准确率,应用支持向量机(SVM)来建立信用风险评估模型。针对SVM模型性能的优劣与参数的选择密切相关,提出对传统的果蝇优化算法(FOA)进行改进,采用改进的果蝇算法优化支持向量机的参数,并将该模型的评估结果分别与网格法、遗传算法(GA)和果蝇算法(FOA)优化SVM参数的评估结果对比。实验结果表明:使用改进的果蝇算法优化后的支持向量机模型的评估准确率更高,更适合用于信用风险评估。     

支持向量回归机在混凝土强度预测中的应用研究

利用支持向量回归机(SVR)算法,对在ε-insensitive和Quadratic两种损失函数下的两种核函数进行了研究与分析。在样本数据学习中,发现其预测精度远远高于BP神经网络的预测精度,且参数取值范围很大。针对支持向量回归机模型,给出了参数的取值范围,为SVM在类似工程上的应用提供了参考。     

SVM在高层建筑施工安全风险分类中的应用

在调查表的基础上,根据调查数据使用蒙特卡洛模拟生成类似调查样本分布的随机数,使用支持向量机(SVM)对部分随机数进行模拟训练,建立分类模型,再通过其余的随机数进行测试,以此来验证SVM对调查数据分类的可行性.模拟数据分类结果表明,支持向量机对模拟数据的分类具有极高的准确性.将调查所得的风险数据利用SVM进行风险因素影响程度的分类,选取径向基函数作为核函数对调查数据训练学习,并用测试集进行了测试,测试结果的准确率为98.666 6%.     

边坡角设计的支持向量机建模与精度影响因素研究

运用人工智能领域最新的基于结构风险最小化原理的机器学习算法——支持向量机(SVM)算法,采用线性Linear 和径向基函数 RBF 两种核函数以及ε 不敏感和 Quadratic 两种损失函数,并且考虑惩罚参数 C 的不同,编写了相应的程序对影响边坡角设计的诸多因素进行了机器学习,经过反复调整相关参数和计算对比,找到了拟合精度很高的支持向量机网络,并以此网络对测试样本作预测检验模型的可靠性;对影响支持向量机建模精度的各种影响因素作了计算和分析,在此基础上,初步确定了各参数对 SVM 模型精度影响大小的顺序,为 SVM 在类似工程上的应用提供了借鉴。     

基于极限学习机的燃气日负荷预测

介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。