冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

顾及邻点变形因素的改进PSO-SVM模型大坝变形预测

为实现支持向量机模型(SVM)对大坝变形的精准预测,克服模型容易陷入局部最优的缺点,引入多尺度一维的小波分解函数和柯西分布密度函数优化SVM模型,并考虑邻近监测点之间的互扰性,建立了顾及邻点变形因素的改进粒子群优化支持向量机模型。利用粒子群算法(PSO)更新粒子群的速度和位置,组合标准的柯西分布密度函数优化模型的惯性权重,采用多尺度一维的小波分解函数对样本数据进行误差序列的剔除,选取3-fold交叉验证方法进行最佳参数的求解。对顾及邻近点的改进PSO-SVM模型实例进行对比研究,实例表明,顾及邻近点的改进PSO-SVM模型适用于短期样本的预测,在中长期样本情况下拟合精度不佳。设计了长期样本下的对比研究,结果表明,改进的PSO-SVM模型较SVM模型和PSO-SVM模型拟合效果最佳,验证了改进模型在长期样本下的适应性和有效性。     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一.在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测,但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想.对于近年来应用较为广泛的神经网络,由于其固有的缺陷,对于高维、小样本的情况具有不太理想的预测效果.作者综合考虑了多个因素,并将支持向量机(Support Vector Machine)这一方法应用到煤与瓦斯突出预测中.经过仿真试验,证明这种方法能够取得较好的预测效果.     

基于PSO-SVM模型的城轨列车轮对尺寸预测

为了及时掌握轮对尺寸信息,从而保证列车正常运行,提出了建立粒子群优化支持向量机模型对轮对尺寸进行预测的方法.介绍了粒子群优化算法(PSO)及支持向量机(SVM)的相关概念,并利用粒子群优化算法能够实现快速全局优化的特点对支持向量机进行参数优化,解决了支持向量机参数选择盲目性的问题.以某城轨列车轮径值为研究对象,建立基于PSO-SVM的轮对尺寸预测模型,对轮径值进行预测分析.结果表明,轮径值预测相关度达到0.94,证实了建立的预测模型在轮对尺寸预测方面的可行性及有效性.     

基于BCABC-SVM的边坡稳定性预测

为了准确地对边坡稳定性进行预测,采用支持向量机(SVM)建立边坡稳定性和影响因素之间的非线性关系.针对支持向量机参数对预测效果的影响,采用基于细菌趋化的蜂群算法(BCABC)对其进行优化选择,提出了边坡稳定性预测的细菌趋化的蜂群优化支持向量机模型.运用该方法对边坡实例进行预测,预测结果与边坡稳定性实际状态相吻合,结果表明,基于细菌趋化的蜂群优化支持向量机模型在边坡稳定性评价中具有一定的可靠性和有效性.     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一．在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测。但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想．对于近年来应用较为广泛的神经网络。由于其固有的缺陷。对于高雏、小样本的情况具有不太理想的预测效果．作者综合考虑了多个因素,并将支持向量机（Support Vector Machine）这一方法应用到煤与瓦斯突出预测中．经过仿真试验。证明这种方法能够取得较好的预测效果．     

基于邻域粗糙集和支持向量机的内燃机故障诊断方法

针对内燃机传统诊断方法的弊端,从内燃机故障诊断的实际从发,首先利用邻域粗糙集(NRS)对样本数据进行混淆度分析,然后采用基于PSO参数寻优的支持向量机(SVM)算法对内燃机故障进行分类诊断,构建一种NRS和PSO-SVM相结合的内燃机故障诊断模型.该方法既发挥了邻域粗糙集处理异常样本的能力,又融合了支持向量机优异的分类性能.工程实例应用表明,该模型诊断精度为94.83%,诊断时间为2.001 0E-4 s,是一种快速有效的诊断方法.     

基于正演模拟和SVM的瓦斯突出危险区预测

以瓦斯地质基本理论为基础,利用地质和钻井数据建立了含瓦斯煤层的地质和地球物理模型.对所建立的地球物理模型,通过有限差分正演模拟方法获得了正演地震剖面.通过对地震剖面煤层反射波的属性分析,获得了相应的地震属性,在此基础上,运用支持向量机(SVM)方法对瓦斯突出危险区进行了预测.结果表明:运用惩罚参数C=32,y=78.125×10-4的RBF核函数和所建模型对测试样本钻孔数据进行分类预测,预测精度为80%;对随机选择的训练样本数据进行回代预测,预测精度达到90%,为利用叠后地震数据预测瓦斯突出危险区提供了一条新途径.     

支持向量机在地基沉降预测中的应用

尝试把最近发展起来的支持向量机(SVM)引入地基沉降的预测中.支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.本文提出了基于支持向量机的地基沉降预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的地基沉降预测模型.以实例数据为学习样本和测试样本,讨论了基于支持向量机的地基沉降预测的方法及其可行性.研究表明,支持向量机可以很好地表达地基沉降与其影响因素之间的非线性映射关系,用支持向量机方法来预测地基沉降是可行的.它为预测地基的沉降提供了一种新的方法.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于贝叶斯分类器的煤与瓦斯突出强度预测研究

摘。要：选取了影响煤与瓦斯突出的5个因素作为属性条件,把突出强度作为目标变量,利用训练样本对朴素贝叶斯分类器模型进行了学习训练,对测试样本进行了预测,从结果来看精确度较高．因此朴素贝叶斯分类器模型预测煤与瓦斯突出强度是有效的．     

A PSO-SVM Model for Short-Term Travel Time Prediction Based on Bluetooth Technology

The accurate prediction of travel time along roadway provides valuable traffic information for travelers and traffic managers. Aiming at short?term travel time forecasting on urban arterials, a predict...     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

基于粗糙集与神经网络的煤与瓦斯突出预测方法

煤与瓦斯突出是受诸多因素影响的复杂问题,且影响因素相互关联,为了提高其预测的准确性,文中提出了一种基于粗糙集与神经网络的煤与瓦斯突出预测方法。通过煤与瓦斯突出预测实证分析,并与一般预测方法进行对比,进一步验证了文中预测方法的正确性和可行性。