季节性冻融土壤入渗参数的多元线性预报模型

以土壤水动力学、冻土物理学、统计学等理论为基础,研究新疆典型干旱区细土平原与沙漠交错带的冻融土壤水热迁移规律,分析不同深度土层在冻结期、融化期的水热变化特征,探明研究区冻融土壤的水分入渗规律及影响因素,以期建立季节性冻融土壤入渗参数的多元线性预报模型。结果表明:土壤冻结融化过程中,深层土壤的液态含水率在冻融过程中基本不随环境温度升降发生变化,各层土壤的液态含水率、温度均与环境温度的变化趋势基本保持一致;冻结期相比融化期在初期短时间内渗入水量较大,达到稳定入渗所需要的时间较短;从冻结期到融化期,随着土壤中冻结水含量减少,未冻水含量增加,土壤的饱和导水率随之变大;土壤入渗能力主要与环境温度、土壤温度、土壤含水率等因素有关,并得出研究区冻融土壤的入渗能力预报模型。     

灌水次数对土壤入渗影响的试验分析

利用野外双环入渗仪和TST-70室内土壤入渗仪进行入渗试验,分析室内以1.35 g/cm3容重装土与田间翻耕地在0、1和2次灌水后的土壤入渗过程,研究Kostiakov入渗模型中各参数随着灌水次数的变化及田间与室内试验中入渗参数的差异性。结果表明:灌水和室内装土试验均使经验指数α有了一定程度的增大。同时,灌水和装土试验的Kostiakov入渗模型中第一个单位时间内平均渗吸速度i0较田间未灌水都有了明显的减小,经验指数α取值范围较有关资料中所给值小。4种处理中,一次灌水和室内装土试验的累积入渗量与时间双对数关系拟合很好,室内试验的误差分析值最小。因此,在利用Kostiakov入渗模型确定灌水技术参数时,应该考虑适用条件以及灌溉情况。     

盐碱荒地土壤入渗参数的多元非线性预报模型

为给盐碱荒地改良提供技术支撑,以原生盐碱荒地土壤为研究对象,进行了大田原位系列入渗试验,获取了累计入渗量与入渗历时对应关系的试验资料,依据Kostiakov入渗模型,构建了入渗模型参数与同步土壤理化参数的样本集。利用土壤传输函数法,建立了以土壤基本理化参数为输入变量的Kostiakov二参数入渗模型参数k和α的多元非线性预报模型。结果表明:以土壤含水率、干容重、黏粒含量、粉粒含量、有机质含量、含盐量为输入变量对入渗系数k进行多元非线性预报和以土壤含水率、干容重、黏粒含量、有机质含量、含盐量为输入变量对入渗指数α进行多元非线性预报是可行的,两参数预报模型的相对误差平均值分别为5.5%和8.3%。     

基于支持向量机的微咸水灌溉下土壤盐分预测

土壤水盐运移过程是农田土壤水盐调控的重要基础,是一个极其复杂的物理化学过程。本文在室内微咸水灌溉试验的基础上,引入支持向量机(SVM)模型应用于咸淡水交替灌溉后对土壤溶液EC、pH值的预测研究,并对其预测效果进行了分析。研究表明,支持向量机回归模型能够有效地模拟预测咸淡水交替灌溉下土壤EC和pH值变化规律,模型平均相对误差均小于10%,具有较高的预测精度。本方法为土壤水盐运移研究提供了一条新的思路和途径,具有较大的实用价值。     

耕作后土壤水分入渗参数BP预报模型

根据黄土高原区耕作后土壤水分入渗资料所建立的基于Kostiakov三参数经验模型公式的BP神经网络预报模型,对土壤水分入渗参数进行预测。预测结果表明:利用土壤基本理化参数耕作层(0~20 cm)土壤含水率及其密度、砂粒含量、粉粒含量、有机质含量预报入渗模型参数具有可行性。入渗模型参数入渗指数α、入渗系数k的平均相对误差约为1%;稳渗率f_0的平均相对误差约为8%,在可接受范围内;90 min累计入渗量I_(90)的平均相对误差小于3%。模型整体预测精度较高,实现了利用土壤基本理化参数预报土壤水分入渗参数,可为黄土高原区耕作后土壤的灌水技术参数的确定提供理论与技术支撑。     

季节性冻融土壤入渗的影响因素分析

文中通过大量的入渗试验,对不同地表条件下季节性冻融土壤入渗的影响因素——地温和土壤含水率进行了对比分析,结果表明:未灌水的不同地块土壤入渗能力主要受地温控制,地表有覆盖物的土壤入渗能力与地温的变化趋势接近,而无覆盖物的相对较差;不同时间灌水后土壤的入渗能力主要受土壤含水率的控制,秸秆覆盖地块的土壤入渗能力与土壤含水率的相关程度较裸露地块弱。     

基于支持向量机理论的土壤水分预测模型研究

土壤水分含量是影响作物生长和农田水土环境的一个重要指标,土壤水分预测对农业生产中水分的合理利用与管理具有重要意义.应用支持向量机理论,采用土壤水分含量影响较大的降雨量、蒸发量、相对湿度和地下水埋深作为模型输入因子,土壤水分含量为输出因子,建立了土壤水分预测模型,并与灰色理论水分预测模型进行了对比.结果表明:支持向量机模型预测土壤含水量的最大误差为5.83%,平均误差为2.44%,预测结果优于灰色预测理论,模型的预测精度为0.957.     

基于支持向量机的混凝土强度预测

支持向量机是建立在统计学理论之上的机器学习技术。提出了混凝土28 d抗压强度预测的一种新方法,即支持向量机回归方法。该方法根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,可以对混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法。     

备耕头水地土壤水分入渗参数非线性预报模型

以山西黄土高原区备耕头水地水分入渗试验为依据,考虑灌水过程中表层土壤结构的变形特性,建立了Kostiakov三参数累计入渗量模型参数与土壤理化参数间的非线性关系模型。研究表明:常规土壤理化参数(土壤含水率、密度、黏粒含量、粉粒含量、沙粒含量和有机质含量)作为备耕头水地土壤入渗参数非线性预报模型的输入变量是合理的,所建立的非线性关系模型可靠,土壤入渗参数预测值相对误差可控制在10%以内;考虑到灌水过程中表层土壤结构由疏松变密实,对表层土壤结构进行修正能更加真实地反映备耕土壤水分的入渗过程,更加精准地对入渗模型的参数作出预报。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

基于空间谱和支持向量回归机的间谐波分析

针对电力系统中存在的间谐波问题，提出一种结合参数法和非参数法特点的间谐波频谱分析算法。首先，为了应用空间谱分析需要将电网信号变换为空域信号;然后应用盖氏圆盘估计协助求根多重信号分析算法准确估计信号源数及其频率;最后由稳健支持向量回归机计算幅值和相角。获得准确频率信息后，支持向量回归机计算的频率范围变成已知的有限频率点，计算量降到最低，并且此算法无需同步采样和过长的采样数据。通过仿真和实例检测，验证了该方法的有效性。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

信息量支持下SVM模型滑坡灾害易发性评价

三峡库区是我国滑坡灾害广泛发育的地区之一,滑坡灾害易发性评价对库区的防灾减灾有重要意义。在滑坡灾害易发性指标信息量的基础上,构建了信息量支持下的SVM模型,并对滑坡灾害易发性进行了评价。该模型根据地层岩性、地质构造、坡度、坡向、坡型结构、土地利用类型、水、归一化植被指数,以及上述指标的总信息量,共9类指标组成的数据集进行SVM训练,得到评价模型;运用该评价模型对研究区全区滑坡灾害易发性进行评价,并以模型决策值的零点和突变点确定易发性等级划分标准。并以三峡库区万州主城区为研究区验证模型,研究表明信息量支持下SVM模型的训练样本精度为81.41%,验证样本精度为91.11%,优于常用的信息量模型,滑坡的高易发区和较高易发区占研究区总面积的47.05%,主要集中在人类工程活动强烈的长江干支流两侧,结果与已知滑坡分布基本一致,表明该模型在研究区具备较好的适用性。     

一种改进支持向量机的电力负荷预测方法研究

我国电力负荷的快速增加和电网运行环境日趋复杂,对电力负荷预测的准确性和可靠性提出了更高的要求。为了解决电力预测准确率低的问题,提出一种改进支持向量机的电力负荷预测方法。该方法综合考虑了影响电力负荷预测效果的气象因素,采用多元线性回归模型拟合了电力负荷与最高温度、最低温度、平均温度以及相对湿度的关系,找出电力负荷数据的异常点,再使用秃鹰搜索算法优化支持向量机中参数。该方法提高了预测的效果,给电力负荷预测提供了借鉴思路。     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

基于支持向量机的溃坝生命损失评估模型及应用

针对溃坝生命损失历史资料缺乏且影响因素复杂的特点,鉴于支持向量机算法的诸多优势,建立了基于支持向量机的溃坝生命损失评估模型.将溃坝生命损失定义为风险人口与生命损失率的乘积,分析了生命损失的评估指标,建立了综合评估体系.根据我国已溃决大坝的历史资料,构建了学习样本.留一法交互校验结果表明,该评估方法具有一定的精度.     

大坝监控小波去噪变权支撑向量回归机模型

为有效利用监控模型和指标判别大坝安全性态,实现大坝安全预警。首先利用小波分析对实测数据进行去噪处理,在此基础上利用支撑向量机小样本建模和高泛化能力,考虑不同幅度测值对大坝预警所起的作用不同,从而建立大坝监控变权支撑向量回归机模型。工程实例和理论分析表明,模型具有一定的理论和实用价值。     

基于支持向量机方法的水电机组状态识别

模式识别理论是水电机组状态识别与故障诊断的基础,通过选择不同类型的分类器来实现模式识别。支持向量机(SVM)算法有效地改善了传统分类方法的缺陷,具有较强理论依据,适合小样本的模式识别分类。结合水电机组振动信号特点,采用Hilbert-Huang变换对信号做前期处理,以IMF函数能量值为基本元素构造特征向量,将特征向量输入SVM进行模式识别。结果表明对于小样本分类,SVM方法简单有效,切实可用。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。