果蝇优化算法在区域高程拟合中的应用

针对最小二乘支持向量机拟合法难以选择最优参数的问题,将果蝇优化算法引入最小二乘支持向量机中,构建区域GPS高程拟合模型的方法,利用果蝇优化算法全局寻优能力强、过程简洁、参数少等优点,解决最小二乘支持向量机的参数寻优问题,并通过最小二乘支持向量机来构建高程拟合模型。结果表明,与BP神经网络拟合方法相比,引入果蝇优化算法的最小二乘支持向量机拟合方法具有更高的稳定性,内符合精度比标准最小二乘支持向量机提高了26%。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。     

LS-SVM在澜沧江水库群运行调度中的应用研究

利用最小二乘支持向量机(LS-SVM)的径流预测方法建立澜沧江月径流预测模型,对月径流进行预测,与季节性水平模型预测结果进行对比,并将预测结果运用于澜沧江水库群调度。结果表明,基于最小二乘支持向量机的模拟预测训练期和预测应用期的模型效率系数分别高达80%和88%,年均最大和最小径流相对误差仅为10%,精度较季节性水平模型更高,说明将最小二乘支持向量机用于澜沧江月径流预测是可行的,可满足澜沧江水库群调度的需要。     

基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数,以及用等式约束代替不等式约束,将求解的二次规划问题转化线性方程组求解,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

基于遗传算法和最小二乘支持向量机预测泰东河日流量研究

向量机在解决小样本、非线性、高维数和局部极小点等问题中有着出色的性能,最小二乘支持向量机在向量机基础上减少了参数个数、降低了计算复杂度、缩短了运算时间。遗传算法对于非线性等复杂系统优化问题容易得到优化解。尝试由遗传算法求解最小二乘支持向量机参数,再将最小二乘支持向量机应用于泰东河日流量预测。实例表明此方法预报精度较高。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

基于粒子群最小二乘支持向量机的径流预测

为了处理好径流模拟预测中的确定性和随机性影响因素,提出了粒子群算法PSO(Particle Swarm Opti-mization)优化最小二乘支持向量机LS-SVM(Least Square SVM)参数的径流预测模型。PSO算法能够基于群体智能进行随机优化,计算简单易于实现且具有更强的全局优化能力。利用参数优化前后的LS-SVM模型,对新疆伊犁河雅子渡站23 a实测径流进行模拟,并对径流进行预测,结果表明,该模型收敛速度和预测精度令人满意。     

基于模糊最小二乘支持向量机的系统边际电价预测

系统边际电价是电力市场的核心因素。为了减少样本数据中孤立点对回归性能的影响，将模糊隶属度的概念引入到最小二乘支持向量机中。同时采用网格搜索和交叉验证的方法寻找最佳参数组合，使算法性能达到最佳。以美国加州电力市场的实际数据作计算实例，分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测，结果表明该方法有效提高了预测精度。     

基于支持向量机的离心泵磨损特性分析方法

针对离心泵磨损机理错综复杂和高度非线性的特点,提出了基于最小二乘支持向量机的离心泵磨损特性分析方法,通过对算法的实现,建立了离心泵的磨损特性分析和几何参数优化的智能模型,模拟得到离心泵的磨损特性关系,分析了磨损随轮叶片几何参数的变化规律。与神经网络和普通支持向量机方法进行计算比较,结果表明,最小二乘支持向量机磨损预测模型得出的的平均相对误差只有0.005%,学习速度为12步,训练时间为1.1s,学习速度和预测精度得到了很大的改善。可为离心泵的磨损特性分析及其抗磨可靠性设计提供新的可行方法。     

基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应用

本文采用遗传学习算法和误差反向传播算法(BP)相结合的混合算法来训练前馈人工神经网络(BPN)，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，本文将该方法运用于多维时序问题。根据山东省黑旺铁矿的矿坑充水条件建立了一个网络，以矿坑充水的各种控制因素相关资料作为样本，对网络进行训练并用训练好的网络预测矿坑涌水量。网络的训练速度及预测结果表明，该算法收敛速度较快，预测精度很高，为矿坑涌水量预报提供了一种新思路和新方法。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

Measurement and mathematical modelling of nutrient level and water quality parameters

Physico-chemical water quality parameters and nutrient levels such as water temperature, turbidity, saturated oxygen, dissolved oxygen, pH, chlorophyll-a, salinity, conductivity, total nitrogen and total phosphorus, were measured from April to September 2011 in the Karaj dam area, Iran. Total nitrogen in water was modelled using an artificial neural network system. In the proposed system, water temperature, depth, saturated oxygen, dissolved oxygen, pH, chlorophyll-a, salinity, turbidity and conductivity were considered as input data, and the total nitrogen in water was considered as output. The weights and biases for various systems were obtained by the quick propagation, batch back propagation, incremental back propagation, genetic and Levenberg-Marquardt algorithms. The proposed system uses 144 experimental data points; 70% of the experimental data are randomly selected for training the network and 30% of the data are used for testing. The best network topology was obtained as (9-5-1) using the quick propagation method with tangent transform function. The average absolute deviation percentages (AAD%) are 2.329 and 2.301 for training and testing processes, respectively. It is emphasized that the results of the artificial neural network (ANN) model are compatible with the experimental data.     

贯入法及冲击筛分法检测砌体抹灰 砂浆强度研究

为了解现有的砌筑砂浆强度检测方法的适应性,进行了试验研究。试验中主要采用了贯入 法、冲击筛分法检测普通粘土砖砌体28 d抹灰砂浆的强度,并辅以点荷法,立方体抗压强度予以对 比分析。结果表明,冲击筛分法可以用作普通粘土砖砌体28 d抹灰砂浆强度的检测,而贯入法需要 进一步研究,以获得准确的抹灰砂浆强度回归曲线,方可用于现场检测。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一,对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性,提出将最小二乘支持向量机应用于水电机组振动状态趋势预测;并将该算法应用于某水电机组振动序列峰峰值的预测,与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

基于HPSO优化LS-SVM的混凝土梁损伤诊断模型

针对传统结构损伤智能诊断方法所存在的缺陷,提出一种基于混合粒子群算法(HPSO)优化最小二乘支持向量机(LS-SVM)的结构损伤识别模型,并以混凝土梁为例,以模态参数及其相关量作为输入量,以损伤位置和程度作为输出量,建立起适应的映射模型。此外,为提高LS-SVM的泛化能力,应用HPSO对其核函数参数进行了优化。结果表明:应用HPSO优化LS-SVM所构建的模型具有识别精度高的特点。     

基于 GA -ANN 算法的层状路基土参数预测模型

将BP神经网络和遗传算法两种智能方法结合起来,建立起自适应遗传算法-BP神经网络系统。利用土工试验得到的不同土层物理力学参数汇总整理形成的试验数据作为样本值,对路基土层物理力学参数进行了预测,将预测结果和单独使用BP神经网络时的预测结果进行了对比分析。结果表明：当样本数据离散性小时,这两种预测方法均能取得理想的预测效果,自适应遗传算法-BP神经网络系统还具有有效防止“过训练”和提高网络自身的泛化能力;当样本规模大,且样本数据具有一定的离散性时,网络系统的预测优势能更好地体现出来。     

滑坡体力学参数反分析研究

除室内试验和现场试验之外,反演分析是一种可以利用现有变形监测数据获取滑坡体等效力学参数的方法.以清江杨家槽滑坡体为例进行研究,提出了将均匀设计、遗传算法与BP神经网络结合起来应用于滑坡体反分析的新方法.先将具有很好全局寻优能力的改进遗传算法作为BP神经网络的学习算法,形成遗传神经网络;然后利用均匀设计方法设计网络学习样本,训练遗传神经网络映射滑坡体变形与滑坡体力学参数的非线性关系;最后将实测位移值作为网络输入,网络输出即为参数的反演值.该方法克服了优化反分析方法反演时间过长,解不易收敛等缺陷,实现了多参数的同时反演.通过对反分析结果进行检验与评价,证明其结果符合实际工程要求.     

基于GA参数优选的ε-SVR地下水位预测方法

选择径向基核函数建立地下水位ε-SVR预测模型,基于遗传算法实现惩罚因子C、核函数参数γ和不敏感损失函数参数ε的自适应优选,并运用建立的模型对某地傍河试验井地下水位进行预测.结果表明:基于GA参数优选的ε-SVR模型对训练样本的拟合误差平方和仅为0.0022,回归系数达到0.9933,检验样本拟合结果平均相对误差仅为1...