基于PSO-SVM的来水量预测模型

由于中小河流径流量复杂的变化特征,来水量有效预测模型建立较为困难,建立来水量预测的支持向量机模型,并对支持向量机进行了优化,选取河流径流量的数据样本对模型进行训练与预测,与实际值进行比较,同时用BP神经网络模型对相同的数据样本进行预测,并对两种模型的预测数据进行分析比较,结果表明,改进的支持向量机(PSO-SVM)具有较高的预测精度。     

支持向量机和BP神经网络在泥石流平均流速预测模型中的比较与应用

在综合分析多种泥石流研究方法的基础上,提出分别基于支持向量机和改进的BP神经网络模型的黏性泥石流平均流速预测方法,建立了相应的泥石流平均流速预测模型.以蒋家沟泥石流实时监测数据作为学习样本和测试样本,比较了两种模型的预测精度和适用范围.研究结果表明,泥石流样本训练阶段,支持向量机和BP神经网络均具有较高的模拟精度,BP神经网络较优于支持向量机模型,而在样本预测阶段,支持向量机的预测精度明显优于BP网络,表明支持向量机预测模型有较强的外推能力和预测计算的有效性,可以较好地描述泥石流复杂的非线性关系,为泥石流防治提供精确的科学依据.     

混凝土中锚杆锚固强度的SVM回归模型

锚杆锚固强度是评价锚杆锚固质量的主要因素之一,而混凝土中锚杆锚固强度受多因素影响,各因素间也具有复杂的关联。应用支持向量机回归原理,以混凝土龄期、锚杆直径和锚固长度3个因素作为输入列向量构建样本集,选用径向基核函数建立混凝土中锚杆锚固强度的支持向量机回归预测模型。利用30组锚固强度实验数据中2/3的数据作为训练样本,剩余1/3的数据作为预测样本,对锚固强度进行回归预测,将预测结果与试验结果和BP网络计算结果进行对比分析。研究结果表明:此模型预测精度高,具有良好的泛化能力,预测结果具有可信性,将SVM方法运用于混凝土中锚杆锚固强度的预测是合理有效的,为锚固强度的预测提供了一条新的途径。     

支持向量机在大坝渗流监测中的应用

支持向量机是基于统计学习理论的小样本学习方法,是一种处理高度非线性分类回归等问题的新方法,它能较好地解决小样本非线性高维数,避免了神经网络无法解决的局部极小问题.本文简要介绍了支持向量机的基本原理及其在渗流监测数据处理中的应用,论述了如何利用支持向量机建立大坝渗流统计模型和预报.通过对云龙水库渗流监测连续观测数据的计算和分析,并与RBF神经网络预测结果进行比较,证明支持向量回归机在渗流监测中比RBF神经网络预测精度更高,具有良好的泛化能力.     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

基于SVM的混凝土坝变形监控模型预测能力实例分析

大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine, SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于支持向量机的土壤侵蚀评价预测模型研究

尝试应用一种新的机器学习算法-支持向量机(SVM)来对水土流失现状进行评价与预测.该方法能针对在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题得到全局最优解,较好地解决了小样本、非线性、高维数和局部极小点等实际问题, 具有很强的泛化(预测)能力.以石桥铺小流域作为研究对象,通过支持向量机算法建立土壤侵蚀评价与预测模型,并与BP神经网络的方法进行了对比,结果表明该模型的预测精度要高于人工神经网络模型.     

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。     

基于PSO-LSSVM的干旱区中长期降水预测模型研究

降水量的准确预测对于干旱地区的水资源综合利用、抗旱减灾有重要意义。引入基于粒子群算法进行参数寻优的最小二乘支持向量机模型(PSO-LSSVM),构建考虑7a周期的年降水样本及考虑季节性特征的月降水样本,建立干旱区年、月尺度下的中长期降水预测模型,并应用新疆阿勒泰地区1960—2013年实测降水序列,验证模型的适用性。结果表明基于粒子群算法与最小二乘支持向量机的中长期降水预测模型预测精度高,泛化能力强,能有效地预测新疆阿勒泰地区年、月降水量。该模型为干旱区中长期降水预测提供了一种可靠的研究思路与方法。