基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于模糊C-均值聚类和支持向量机的大坝安全变形预警模型及应用

针对传统大坝安全变形预警模型预报精度不高的问题,提出了一种基于模糊C-均值聚类(FCM)与支持向量机(SVM)相结合的混合建模方法,该方法利用FCM算法将训练集划分为具有不同聚类中心的子集,运用SVM对每一类子集进行训练和建模,并针对FCM的聚类有效性问题,介绍了聚类数c和模糊加权指数m的参数自适应算法。将所提出的混合模型与标准支持向量机模型进行比较,可知本文模型的精度和泛化能力均得到了一定程度的提高。     

基于混合核RVM理论的大坝变形监控优化模型

鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。     

基于PSO-SVM模型的面板堆石坝堆石料参数反演分析

针对常用的参数反演分析法存在的不足,将粒子群算法(PSO)与支持向量机(SVM)相结合来对堆石料参数进行反演,即先利用粒子群算法优化支持向量机,再利用优化后的支持向量机进行参数反演分析,借助Matlab中相关工具箱编制了相应的程序,建立了基于PSO-SVM的堆石料参数反演模型,并通过大量实测数据进行训练和测试。结果表明,基于PSO-SVM的堆石料参数反演模型可行、有效。     

PSO-SVM模型在黑龙江省水资源承载力评价中的应用

针对水资源承载力评价预测涉及多因素综合指标的问题,采取粒子群算法对支持向量机模型中影响较大的训练参数惩罚因子C和核参数σ进行优化,建立了基于PSO-SVM的水资源承载力预测模型,根据指标等级标准构造训练集数据,对黑龙江省2017年水资源承载力进行评价。结果表明,黑龙江省2017年水资源承载力指数位于0.423 4～0.709 2之间,部分地区水资源承载力处于Ⅱ级,承载能力较弱,仍有较大提升空间。     

基于改进Db1GEGA-SVM的大坝变形预警模型

支持向量机(SVM)能有效解决高维数非线性问题,且具有很好的泛化能力,其关键在于惩罚因子及核参数的选取;遗传算法具有良好的全局搜索能力与潜在的并行性,但局部搜索能力差,且易陷入早熟收敛。为提高大坝变形预警模型精度和泛化能力,提出利用改进的双切点交叉遗传算法(Db1GEGA)对SVM模型进行参数寻优,构建了基于改进Db1GEGA-SVM的大坝变形预警模型,并通过实例应用做了比较。结果表明,基于改进Db1GEGA-SVM的大坝变形预警模型具有更强的泛化能力和更高的预测精度。     

基于PSO-SVM模型的焊接转子环焊缝超声缺陷识别

提出了一种粒子群算法(PSO)优化支持向量机(SVM)的方法,对焊接转子环焊缝的超声回波信号进行缺陷识别.对消噪后的超声回波缺陷信号进行4层小波包分解及结点重构,提取结点重构信号中近似部分的波峰系数和波形系数,并与细节部分的积分超声值、有效值和绝对值方差组成样本的特征向量;采用PSO算法对SVM的惩罚因子和核函数参数进行优化选择,最后完成缺陷识别.结果表明:PSO-SVM模型对预测样本具有很好的识别效果,与其他常用的SVM模型相比,PSO-SVM模型无论是识别率还是识别时间上都具有良好的效果.     

基于熵理论的混凝土坝变形安全监控SVM模型

为解决利用混凝土坝安全监测全序列数据建立的支持向量机(SVM)模型存在结构复杂、计算工作量大等问题,提出利用熵理论选择具有代表性样本代替全序列样本进行建模,即通过建立外部档案,根据外部档案更新算法选择具有代表性的样本,然后将外部档案的样本用作支持向量机的训练样本。将该方法用于某蓄水初期的混凝土坝变形模型的构建中,结果表明,该组合算法在保证模型精度的同时有效降低了模型的复杂程度,减少了模型的训练时间,且使模型的泛化能力得到一定的提升。     

基于熵—云耦合的混凝土坝预警模型及其应用

针对现有大坝预警指标拟定方法的局限,提出了一种基于熵—云耦合的混凝土坝变形预警模型。基于信息熵理论,运用熵权法给出了混凝土坝各测点变形权重,定义了单测点有序度并构建了多测点变形熵;考虑到云模型理论可反映概念的模糊性和随机性,计算了多测点变形熵的数字特征值,绘制了混凝土坝变形熵的云图,并拟定了混凝土坝变形测点的预警指标。实例计算表明,基于熵—云耦合的混凝土坝预警模型高效可行,具有重要的工程应用价值。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于PSO-SVM的景观湖泊水体叶绿素a含量预测

针对目前景观湖泊富营养化严重的问题,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的叶绿素a含量的预测方法。利用2017年5～10月广西大学碧云湖的水质监测数据和气象数据进行主成分分析,确定影响水体叶绿素a含量的主要因素为TN、TP、浊度、温度、光照时长和pH值,并将其作为PSO-SVM模型的输入量,以预测景观湖泊水体叶绿素a的含量;将该模型应用于镜湖、鉴湖和月牙湖水体叶绿素a含量的预测以验证模型的适用性。结果表明,基于PSO-SVM模型的碧云湖的叶绿素a含量预测的平均平方误差仅为1.25%,平均相对误差为2.46%;该模型对镜湖、鉴湖和月牙湖水体叶绿素a含量拟合值的平均平方误差分别为3.17%、4.05%、2.42%,平均相对误差分别为3.48%、4.31%、2.80%。PSO-SVM模型可以很好地运用于景观湖泊水体叶绿素a含量的预测,可为湖泊富营养化防治提供参考。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。