基于HPSO优化LS-SVM的混凝土梁损伤诊断模型

针对传统结构损伤智能诊断方法所存在的缺陷,提出一种基于混合粒子群算法(HPSO)优化最小二乘支持向量机(LS-SVM)的结构损伤识别模型,并以混凝土梁为例,以模态参数及其相关量作为输入量,以损伤位置和程度作为输出量,建立起适应的映射模型。此外,为提高LS-SVM的泛化能力,应用HPSO对其核函数参数进行了优化。结果表明:应用HPSO优化LS-SVM所构建的模型具有识别精度高的特点。     

最小二乘支持向量机参数反演方法及其应用

针对最小二乘支持向量机(LS-SVM)参数不易确定的问题,利用遗传神经网络模拟LS-SVM计算结果与参数之间的关系,提出了一种基于遗传神经网络(GA-BP)的参数选择方法,该方法利用正交分解法构建训练参数组,并将参数组代入最小二乘支持向量机以获得计算输出值,然后将计算输出值与训练参数组代入遗传神经网络进行训练并获得合适的LS-SVM参数。最后以土石坝渗流分析为例进行验证,结果表明该方法对优化选择最小二乘支持向量机参数十分有效,预测精度可达10-4。     

基于灰狼优化算法优化支持向量机的变压器故障诊断方法

为了能够解决传统人工经验方法准确率低、智能算法中存在的适用性不强等问题,针对支持向量机受到惩罚系数和核函数的敏感性,提出一种变压器诊断模型,该模型利用三对比值作为特征输入,利用灰狼优化算法优化支持向量机的惩罚系数和核函数,并利用优化后的参数模型去对变压器进行故障诊断.实验结果表明,支持向量机模型预测的准确率为90％,而...     

人工免疫算法优化双支持向量机在拱坝变形预测中的应用

为了能够通过监测数据直观反映出坝体是否处于稳定运行状态,采用人工免疫算法优化的双支持向量机方法,对高拱坝变形数据进行了拟合预测分析,双支持向量机与标准支持向量机相比极大地提高了计算速度,在进行批量重复计算中计算效率明显提升。针对双支持向量机计算结果受参数影响较大且参数多的问题,引入人工免疫算法搜寻双支持向量机参数,人工免疫算法在遗传算法的基础上保留了一定数量的较优解,提升了算法的搜索效率。工程算例分析表明,参数对双支持向量机结果影响较大,通过人工免疫算法搜寻最优参数后,双支持向量机能够较好地拟合拱坝坝体变形数据,预测结果符合工程精度要求,最大误差仅为1 mm左右。     

混合智能算法在需水预测模型中的应用

针对需水预测过程中传统预测方法及单一智能优化算法预测精度低的问题,研究了粒子群算法和遗传算法混合运用在优化需水预测模型中的优越性,建立了基于混合智能算法优化LS-SVM的需水预测模型。实例应用表明,该模型拟合精度较高,预测结果较合理,具有一定的先进性。     

基于粒子群最小二乘支持向量机的径流预测

为了处理好径流模拟预测中的确定性和随机性影响因素,提出了粒子群算法PSO(Particle Swarm Opti-mization)优化最小二乘支持向量机LS-SVM(Least Square SVM)参数的径流预测模型。PSO算法能够基于群体智能进行随机优化,计算简单易于实现且具有更强的全局优化能力。利用参数优化前后的LS-SVM模型,对新疆伊犁河雅子渡站23 a实测径流进行模拟,并对径流进行预测,结果表明,该模型收敛速度和预测精度令人满意。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

基于DE-SVM的围岩支护模式识别设计方法研究

地下工程地质环境复杂和基础信息匮乏,围岩的地质结构参数与稳定性之间具有复杂的非线性关系.基于差异进化(DE)算法和支持向量机(SVM)提出了一种围岩支护的模式识别设计方法,通过支持向量机对收集代表性样本数据的学习,建立地质结构参数与支护类型的映射关系,即可以自动地根据围岩地质特征进行支护类别的设计.由于支持向量机的惩罚因子和核参数的选取对其预测精度有较大影响.引入全局智能优化算法--差异进化算法对上述参数进行优化,获得支持向量机的最佳预测模型.该方法克服了传统神经网络的过学习和一般支持向量机参数选取盲目的问题.通过工程实例的计算分析,说明该方法是可行的,能获得满意的效果.     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

遗传算法—支持向量机在面板堆石坝堆石料的参数反演分析的应用

通过对目前智能算法在堆石料参数反演分析应用的综合分析,提出利用遗传算法—支持向量机来进行参数反演的方法,通过遗传算法对支持向量机中的参数进行优化,以便计算结果更接近实际。同时通过MATLAB编制了相应的程序,建立了参数反演模型。以大量的实测数据作为训练样本和测试样本进行研究,研究结果表明,利用遗传算法—支持向量机来反演堆石料的参数是可行的,并具有理想的效果,从而为参数反演提供了一种新的研究方法。     

三角旋回优化支持向量机预测出清价及价格钉

针对传统支持向量机参数较难选择的问题,提出一种新的全局优化方法--三角旋回算法(Triangle Gyra-tion Algorithm.TGA)来优化支持向量机的参数.并且建立了三角旋回支持向量机数学模型.三角旋网算法具有结构简单、鲁棒性强和快速收敛的特点.算法的寻优过程采用历史最优目标甬数值进行指导,利用三角变换进行迭代使其能够快速收敛到全局最优.将其应用于电力市场出清价及价格钉的预测实例研究,与传统的支持向量机预测结果比较,三角旋回支持向量机具有更高的预测精度.     

果蝇优化算法在区域高程拟合中的应用

针对最小二乘支持向量机拟合法难以选择最优参数的问题,将果蝇优化算法引入最小二乘支持向量机中,构建区域GPS高程拟合模型的方法,利用果蝇优化算法全局寻优能力强、过程简洁、参数少等优点,解决最小二乘支持向量机的参数寻优问题,并通过最小二乘支持向量机来构建高程拟合模型。结果表明,与BP神经网络拟合方法相比,引入果蝇优化算法的最小二乘支持向量机拟合方法具有更高的稳定性,内符合精度比标准最小二乘支持向量机提高了26%。     

基于PSO和GA混合优化SVM的水质评价

科学地评价水质可以更好地反映水体质量变化,从而加强水资源污染的防治,而分类方法与模型参数的选取对于水质评价的准确度尤为重要。传统支持向量机SVM对模型参数的选择具有盲目性,为了提高模型分类的准确度,采用基于粒子群优化PSO和遗传算法GA的混合算法HPSOCS对支持向量机中的参数进行优化,选取菏泽市水体污染物监测数据,构建了基于HPSOCS-SVM算法的水质评价模型。实验结果表明,优化后的SVM提高了水质分类的准确度,可广泛应用于水体质量的评估,为水资源的防控治理提供科学的理论依据。     

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。     

某土工膜堆石坝帷幕后水位偏高成因初步分析

某土工膜堆石坝的坝基防渗体系包括趾板及坝基帷幕,帷幕后实测水位偏高,与上游水位连通性较强,需要对其成因进行分析。基于渗流观测资料建立回归模型进行初步分析,运用正交试验设计和渗流有限元计算生成训练样本,对各影响因素进行敏感性分析。借助支持向量机在小样本中的高度非线性映射能力,建立渗流参数与渗压水位的对应关系。采用遗传算法对支持向量机模型进行参数优化,以支持向量机预测值与实测值误差作为适应度值,对坝基地层和防渗体各区域渗流参数进行优化搜索,并将反演结果进行反馈计算验证。结果表明,基于支持向量机-遗传算法反演渗流参数是可行的,帷幕后渗压水位偏高由趾板与帷幕间的裂缝及坝基渗流各向异性综合引起,可针对上述薄弱部位进行工程处理以降低幕后水位。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

基于遗传算法-支持向量机的水库叶绿素a浓度

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型.在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量.最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测.预测精度比单纯用人工神经网络方法有较大提高.     

基于人工鱼群优化的支持向量机的水文预报系统

在比较各种水文预报方法的基础上,研究利用一种改进的支持向量机算法(SVM)对水文进行预测。阐述支持向量机理论的理论基础和原理,针对缺陷,提出基于人工鱼群优化的支持向量机算法(AFSVM),介绍人工鱼群算法基本理论和AFSVM,建立基于人工鱼群优化的支持向量机的拉萨河水文预报系统模型,并与标准的支持向量机预测模型进行对比。实验结果表明,AFSVM与标准SVM模型的预测精度差不多,AFSVM的训练速度优于标准SVM训练速度。