冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

冲击地压危险性预测的最小二乘支持向量机模式识别

冲击地压受到多种复杂因素的影响，对其危险性进行预测可看成非线性、高维数、小样本的多类模式识别问题。利用最近发展的新的机器学习方法——支持向量机，提出了冲击地压危险性预测的最小二乘支持向量机方法，建立了预测模型，很好地表达了冲击地压危险等级与其影响因素之间的非线性关系。算例结果表明，该预测方法是可行的，且可以获得较高的准确度。     

高速公路软土路基沉降预测

软土路基沉降量的准确预测对高速公路施工与维护是非常重要的，但是影响路基沉降量的因素众多，并且沉降量之间具有高度复杂的非线性关系，用传统的数学、力学方法很难表示；将最新的机器学习技术一支持向量机应用于软土路基沉降量预测研究，提出了软土路基沉降量预测的支持向量机模型，该模型的应用结果表明，利用支持向量机进行预测是科学可行的，建立的模型很好地表示了沉降量之间的映射关系，并且提出的模型准确性高、推广预测能力强。     

考虑多因素的深基坑轴力支持向量机时间序列预测研究

为了研究沈阳管廊工程中深基坑钢支撑轴力的变化规律及其与地下水位、天气温度等因素之间的关系,采用最小二乘支持向量机为计算手段,将轴力变化看作一个非线性变形序列并通过向量机建立不同因素与轴力值之间的映射规律,最终依据时间序列,采用改进的单步滚动预测法对未来的轴力变化趋势进行预测。结果表明,该方法可准确描述不同因素之间的非线性关系,适用于沈阳管廊工程的深基坑轴力预测计算。     

高速公路软土路基沉降预测

软土路基沉降量的准确预测对高速公路施工与维护是非常重要的,但是影响路基沉降量的因素众多,并且沉降量之间具有高度复杂的非线性关系,用传统的数学、力学方法很难表示;将最新的机器学习技术-支持向量机应用于软土路基沉降量预测研究,提出了软土路基沉降量预测的支持向量机模型,该模型的应用结果表明,利用支持向量机进行预测是科学可行的,建立的模型很好地表示了沉降量之间的映射关系,并且提出的模型准确性高、推广预测能力强。     

悬臂梁损伤的支持向量机识别研究

针对结构损伤识别中,损伤与其影响因素之间的复杂非线性关系,提出了结构损伤识别的支持向量机方法。支持向量机是一种基于统计学理论的机器学习算法,本文以模态频率作为损伤标识量,通过支持向量机建立了损伤程度和频率之间的支持向量机模型,并以悬臂梁的损伤为例进行了计算分析,结果表明提出的方法是科学,可行的。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

基于混沌支持向量回归机的短期空调负荷预测

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果 EEP指标降低了31.4%,预测精度有了明显提升。     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。