基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数,以及用等式约束代替不等式约束,将求解的二次规划问题转化线性方程组求解,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

基于最小二乘支持向量回归的短期用水量预测

将最小二乘支持向量机(LSSVM)回归方法用于短期用水量的预测,对传统参数选择方法进行改进,提出通过分层交叉验证来确定最优参数,构建短期(日)用水量等维信息一步预测模型.将试验结果与季节性指数平滑法进行了比较分析,表明了该方法用于短期用水量预测的可行性和有效性.     

基于遗传算法和最小二乘支持向量机预测泰东河日流量研究

向量机在解决小样本、非线性、高维数和局部极小点等问题中有着出色的性能,最小二乘支持向量机在向量机基础上减少了参数个数、降低了计算复杂度、缩短了运算时间。遗传算法对于非线性等复杂系统优化问题容易得到优化解。尝试由遗传算法求解最小二乘支持向量机参数,再将最小二乘支持向量机应用于泰东河日流量预测。实例表明此方法预报精度较高。     

基于最小二乘支持向量机的大坝应力预测模型

应力的监测一直是大坝安全监测中极为重要的部分,传统的预测方法精度有时候不高,为了提高预测的精度,提出了一种基于最小二乘支持向昔机(LS-SVM)的大坝应力预测模型.通过具体工程实例计算,LS-STM表现出很好的鲁棒性和预测精度高的优势,应力预测精度比传统的逐步回归方法提高了很多,为大坝应力分析提供了一种可靠的、有效的途...     

基于最小二乘支持向量机的马营河中长期径流预测研究

采用最小二乘支持向量机的方法,利用李桥水库1977-2004年的径流资料,对其2005-2011年的径流量进行预测。分析结果表明2005-2011年的预测径流量距平百分率在±10%之间,符合预测精度要求。     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

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。     

灰色最小二乘支持向量机在灌溉用水量预测中的应用

根据灰色理论(grey model,GM)所需原始数据少、建模简单、运算方便等优势,以及最小二乘支持向量机(least square support vector machine,LS-SVM)所具有的泛化能力强、运算速度快、非线形拟合精度高、参数优化好、小样本等优点,建立了灰色理论和最小二乘支持向量机组合预测模型,并将此模型应用于灌区用水量预测中。预测结果与实际结果吻合良好,验证了所提出组合方法的有效性和实用性,可以作为灌溉用水量预测的有效工具。     

基于经验模态分解和支持向量机的日径流预测研究

准确的径流预测是水资源开发利用的重要依据，但预测难度大。为提高日径流预测精度，以榕江流域南河东桥园站日径流为例，建立了经验模态分解(EMD)和支持向量机(SVM)耦合的日径流预测模型。首先，利用经验模态分解将日径流系列分解为若干子过程，再采用支持向量机深度学习模型分别对每一个子过程进行预测，最后将每个预测结果相加得到原日径流数据的预测结果。研究表明：EMD-SVM组合模型相对于SVM、BP、LSTM单模型具有更好的预测性能。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于LS-SVM城市水资源承载能力预测方法

水资源承载力是水资源安全战略研究中的一个基础课题,是水资源安全的基本度量[1].准确预测水资源承载力,对国民经济发展规划、生态环境保护和水资源持续利用具有重要意义.该文提出了一种基于最小二乘支持向量机城市水资源承载能力预测模型.通过对具体的城市水资源承载能力预测实验,并与其他几种常见模型预测结果比较,表明该模型具有预测精度高、速度快、容易实现等优点,为我国城市水资源承载能力预测提供了一种有效的方法.     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

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。     

基于支持向量机的土石坝边坡稳定概率分析

为了合理考虑土石坝中不确定性因素的影响,本文基于支持向量机方法进行了土石坝边坡稳定概率分析,详细描述了整体计算流程,并通过一个土石坝边坡算例验证了该方法的有效性。结果表明：该方法可以结合参数归一化方法及“0”和“1”输出项来提升土石坝边坡分类精度,仅需进行30次土石坝边坡渗流稳定分析（耗时5min）,便可有效替代1万次MCS方法（耗时20h）进行土石坝边坡概率分析。该方法计算效率高、耗时少,可为解决考虑不确定性的土石坝边坡稳定概率分析问题提供一条有效的途径。     

基于支持向量机的水流挟沙力预测研究

本文阐述了支持向量机（SVM）的基本原理及特性,提出了基于SVM的水流挟沙力研究方法,并对30组高、中、低含沙量的水槽试验资料进行训练,训练值与实测值符合较好,再用训练好的SVM模型对4组试验数据进行了预测,预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高的预测精度和可靠性。     

岩石节理抗剪强度的支持向量机预测

提出了岩石节理抗剪强度预测的支持向量机方法,并根据分形节理力学性质和光弹试验数据进行支持向量机的学习和预测.分析结果表明,基于统计学习理论的支持向量机方法可以用来预测节理岩石的抗剪强度,对于复杂的岩体力学行为具有很好的适应性,这种方法在岩石力学研究中具有很好的应用前景.     

基于经验模态分解与传统水文分析法的降雨序列研究

为研究经验模态分解(EMD)法和传统水文分析方法在水文时间序列研究中的特点,以陕西省榆林市1951—2017年降雨时间序列为例,对该数据的趋势性和周期性成分进行了分析对比。结果表明:传统的Mann-Kendall(M-K)检验法与EMD方法都可反映出水文序列的趋势及转折点,且两种方法所得结果相似,反映出榆林市降雨量先增后减的变化趋势,但转折点时间有所差异。EMD方法与M-K方法得到的趋势项结果呈现形式不同,EMD方法所得趋势线可更加直观地表现原始序列的升降情况。周期性成分分析方面,榆林市年降雨量与夏季降雨量具有相同的周期规律。EMD方法所得模态相较于傅里叶分析法所得频谱更为丰富,但各模态所对应周期不明确,也难以对应实际的物理意义。EMD方法可作为传统水文分析方法在趋势分析及周期成分提取时的有效补充。