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。     

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PSO-SVM模型的苯储罐泄漏浓度预测

以苯储罐为研究对象,利用ALOHA软件模拟了不同大气温度、风速、地面粗糙度、泄漏口直径和测点条件下苯浓度的变化。将ALOHA模拟数据作为训练样本,建立苯泄漏区域浓度的粒子群-支持向量机(PSO-SVM)预测模型。为验证模型预测性能,采用遗传算法支持向量机(GA-SVM)模型和支持向量机(SVM)模型进行预测,并与PSO-SVM模型对比。结果表明,PSO-SVM模型预测效果优于GA-SVM和SVM模型。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

冲击地压预测的PSO-SVM模型

冲击地压是一种复杂的非线性动力学现象,其发生机制非常复杂,而在监测数据的基础上对其进行分析预测,是冲击地压的一个重要研究方法,但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系,其中采用时间序列进行预测是一个重要的研究方向。针对这一问题,将冲击地压看作一时间序列过程,采用支持向量机建立冲击地压序列之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用微粒群算法对支持向量机参数进行优化选择,从而提出冲击地压预测的PSO-SVM模型,提高支持向量机的推广预测能力,并对一具体算例进行研究分析。研究结果表明,该方法是科学可行的,并具有很好的精度。     

基于PSO优化的支持向量机在软土路基沉降数据处理中的应用

软土路基沉降预测是一个少样本、非线性、高维数据处理问题,支持向量机能够较好地解决这类问题。为了克服该理论方法在实际应用中存在惩罚因子C和核函数参数σ选取不当导致模型预测精度不高的问题,采用粒子群优化算法PSO对模型参数C和σ进行优化。工程实例表明经PSO优化的支持向量机具有较高的精确度,预测效果优于非PSO优化的支持向量机,也优于GRNN网络和BP神经网络的预测结果,值得工程技术人员借鉴。     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

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.     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

高地应力下大型地下洞室群开挖顺序 与支护参数组合优化的智能方法

 针对高地应力下围岩变形破坏的特殊性以及大型地下洞室群开挖支护优化计算量大的特点,在三维弹塑性数值计算的基础上,采用反映高地应力下脆性岩石变形破坏特点的新本构模型,提出基于弹性释放能、塑性区体积、洞室周边位移与支护费用的地下洞室群开挖顺序与支护参数组合方案的综合优化新指标,综合集成粒子群与支持向量机的智能技术,提出高地应力下地下洞室群开挖顺序与支护参数的智能优化新方法。该方法通过典型施工方案的数值计算构建学习样本,采用支持向量机方法对样本进行学习与预测,建立起施工方案与综合优化指标之间的非线性映射关系,在具有一定约束条件的全局空间下,通过粒子群优化算法搜索出开挖顺序与支护参数的全局最优组合方案。将该方法应用于高地应力区黄河拉西瓦水电站地下厂房洞室群的开挖顺序和支护参数优化分析,结果表明该方法的可行性。     

Seismic liquefaction potential assessed by support vector machines approaches

Liquefaction of loose, saturated granular soils during earthquakes poses a major hazard in many regions of the world. Determining the liquefaction potential of soils induced by earthquakes is a major concern and an essential criterion in the design process of civil engineering structures. The present study examines the potential of support vector machines (SVMs) for assessing liquefaction potential based on cone penetration test (CPT) field data. A hybrid model based on a combination of SVMs and particle swarm optimization (PSO) is proposed in this study to improve the forecasting performance. PSO was employed in selecting the appropriate SVM parameters to enhance forecasting accuracy. Nine parameters, such as earthquake magnitude, the water table, the total vertical stress, the effective vertical stress, the depth, the peak acceleration at the ground surface, the cyclic stress ratio, the mean grain size and the measured CPT tip resistance, were used as input parameters. Prediction results demonstrate that the classification accuracy rates of the developed PSO–SVM approach surpass those of a grid search and many other approaches.     

基于粒子群算法的圆形隧洞锚喷支护优化

地下工程施工过程中,不同的支护方案具有不同的稳定性状态和经济成本,传统的列举择优法并不能得到所有可能方案的最优解。针对埋深大且围岩强度低的圆形隧洞,结合支持向量机与粒子群算法,对考虑支护时机的隧洞支护方案进行优化,得到最优方案,并以数值模拟进行对比验证。对比结果显示:采用本文所用优化方法得到的最优解的综合评价指标值与同方案数值模拟得到的综合评价指标值相对误差为0.137%,二者结果非常相近,且对比方案综合评价指标值大于最优方案的综合评价指标,说明算法寻优得到的结果可靠。通过本文研究,表明:(1)结合支持向量机与粒子群算法,可对地下工程支护方案进行全局优化;(2)优化结果经数值模拟验证有效;(3)优化方法与结果对相应工程设计及施工建设具有一定参考意义。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

Comparison of machine learning methods for ground settlement prediction with different tunneling datasets

This study integrates different machine learning (ML) methods and 5-fold cross-validation (CV) method to estimate the ground maximal surface settlement (MSS) induced by tunneling. We further investigate the applicability of artificial intelligent (AI) based prediction through a comparative study of two tunnelling datasets with different sizes and features. Four different ML approaches, including support vector machine (SVM), random forest (RF), back-propagation neural network (BPNN), and deep neural network (DNN), are utilized. Two techniques, i.e. particle swarm optimization (PSO) and grid search (GS) methods, are adopted for hyperparameter optimization. To assess the reliability and efficiency of the predictions, three performance evaluation indicators, including the mean absolute error (MAE), root mean square error (RMSE), and Pearson correlation coefficient (R), are calculated. Our results indicate that proposed models can accurately and efficiently predict the settlement, while the RF model outperforms the other three methods on both datasets. The difference in model performance on two datasets (Datasets A and B) reveals the importance of data quality and quantity. Sensitivity analysis indicates that Dataset A is more significantly affected by geological conditions, while geometric characteristics play a more dominant role on Dataset B.