基于SVM的高层建筑变形的时间序列预测

介绍了支持向量机回归原理,建立了某高层建筑变形的时间序列预测模型,并采用网格搜索法对模型参数进行选择,保证模型的泛化能力.实验结果证明,和BP神经网络相比,支持向量机有更好的预测精度.     

基于GS-PSO-SVM模型的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型(GS-PSO-SVM model)。为了解决支持向量机参数选取问题,首先利用网格搜索法粗略寻优,确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

回采巷道围岩稳定性预测模型及其成熟度

针对我国煤矿井下回采巷道围岩稳定性预测方法不够成熟、准确率较低的问题,引入支持向量机算法,将回采巷道围岩稳定性的评价指标作为输入向量,稳定性等级作为输出向量,利用粒子群算法不断调整惩罚因子c、核参数g与单核系数λ1和λ2,建立了基于PSO-MKSVM的回采巷道围岩稳定性预测模型。定义出衡量回采巷道围岩稳定性预测模型的精度度量P和非均等代价下的代价度量E,并以成熟度度量M作为评价模型性能的准则。结果表明有多组λ1和λ2使得回采巷道围岩稳定性预测模型的成熟度度量达到最大值M=1,性能较稳定。     

基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题,先利用网格搜索法粗略寻优确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,剩下9个作为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更好地预测精度和更高的预测效率,该模型能有效的对边坡稳定性状态预测。     

分层鱼群优化支持向量机预测巷道围岩松动圈厚度

为了及时掌握巷道围岩松动圈的厚度,以便采取措施控制围岩的安全性,采用基于最大间隔算法的支持向量机进行预测。考虑支持向量机的性能很大程度依赖于参数的选择,提出改进的人工鱼群算法优化支持向量机的参数,以取得更好的准确度。首先对基本人工鱼群算法增加了种类分层和交叉变异,然后以此优化的参数对考查数据进行支持向量机回归预测。通过人工鱼群行为和参数的改进,扩大了搜索空间,增加了全局优化的稳定性,克服了人工鱼群后期寻优速度慢等问题。对某巷道围岩松动圈厚度监测与预测结果表明:该模型的预测精度较高,缩短了寻找参数的时间,泛化性能提高,收敛加快,可以有效地指导巷道围岩安全性的监测。     

基于随机森林的回采巷道围岩稳定性分类

根据回采巷道稳定性的影响因素,选取围岩强度、埋深、节理裂隙发育程度、巷道跨度、直接顶与煤层厚度之比和松动圈厚度6个指标作为巷道稳定性识别的样本变量。通过搜集部分矿井35条回采巷道相关数据,采用随机森林建立回采巷道稳定性分类模型,并将该模型的预测效果与决策树、BP神经网络和支持向量机模型进行对比。研究结果表明:采用随机森林模型误判率低,具有较高的预测精度,能够相对有效地对回采巷道的稳定性进行判定。     

成矿有利度的支持向量回归预测

应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法,对成矿有利度进行建模和预测研究,并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系,且比BP神经网络模型具有更高的精度,说明支持向量回归方法用于成矿有利度预测是可行有效的。     

煤自燃极限参数的支持向量机预测模型

建立了基于支持向量机 (Support Vector Machine, SVM)的煤自燃极限参数预测模型;经过与多项式函数及Sigmoid核函数的对比,选用径向基函数作为SVM核函数;提出了一种SVM参数优化的变步长搜索方法,先在一个大区域根据训练样本均方差的值改变参数搜索步长,找到一个性能好的小区域,在这个小区域中应用网格搜索法找到最优参数,可提高参数搜索速度.实验表明,与人工神经网络模型相比,在样本有限的情况下,基于支持向量机的煤自燃极限参数预测模型预测精度更高、速度更快,说明支持向量机技术在煤自燃极限参数预测中具有实用价值. 