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。     

基于改进萤火虫算法的LSSVM脉动风速预测

由于风速有较大的随机性,最小二乘支持向量机(LSSVM)预测模型在风速预测方面有极为重要的应用。而新兴的萤火虫算法具有设置参数少、易实现、收敛精度高等优点,但同时存在对优秀个体依赖程度高,易产生震荡现象的缺点。针对萤火虫算法所存在的问题提出改进,并结合实测风速数据对风速进行预测,通过与基于基本萤火算法和粒子群算法优化的LSSVM风速预测结果进行了比较分析。实验结果表明,改进萤火虫算法有更好的性能。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于PSO-RBF的建筑能耗预测模型研究

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了RBF神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于PSO-RBF的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于PSO-RBF的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

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。     

基于模糊控制的单桩竖向极限承载力预测

为合理、准确地预测单桩竖向极限承载力,借助模糊神经网络较强的学习能力和模糊逻辑推理功能,建立了基于模拟退火算法的单桩竖向极限承载力预测模型,对收集到的样本进行了训练预测,并与常规的减法聚类算法预测结果进行了对比。分析结果表明:基于模拟退火算法的模糊神经网络模型预测单桩竖向极限承载力是可行有效的,具有较大的工程实用价值。     

基于FCM和LSSVM的建筑工程造价合理性审核研究

建筑工程造价进行合理性审核贯穿工程项目管理的全过程,及时发现和控制造价编制的误差,对提高建筑工程投资效益具有重要意义.针对传统造价审核方法的不足,构建建筑工程造价合理性审核模型,确定建筑工程特征指标,采用模糊C均值聚类(FCM)从工程项目大样本数据中识别出与待审项目类似的样本数据作为训练样本;针对造价特征指标与费用的非线性,运用最小二乘支持向量机(LSSVM)构建预测模型进行样本训练;应用预测模型得到待审项目的造价预测区间,通过判断待审项目造价值是否在造价预测区间完成审核.结果表明:FCM聚类能快速有效地识别类似工程样本,审核模型能够提高建筑工程造价审核效率和可靠性.     

基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。     

基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。