基于支持向量机的南宁市水资源承载能力评价

采用支持向量机方法,构建南宁市水资源承载能力评价模型。综合考虑水资源、社会、经济、生态环境等子系统,选取其中的14个指标确立评价指标体系,提出以水资源承载能力指数为依据的评价标准,并对南宁市2005—2013年水资源承载能力进行了评价。结果显示:2005—2009年水资源承载能力指数呈减小趋势,而2010年后则呈明显增大趋势,这与2010年后南宁市加大节水型社会建设力度和加快最严格的水资源管理工作进度有关。通过分析评价结果,对南宁市未来水资源管理工作提出了建议。     

基于支持向量机的水资源短缺风险评价模型及应用

本文阐述了支持向量回归机的算法原理，将风险评价归纳为一个支持向量回归问题，建立了基于支持向量机的水资源短缺风险评价模型和方法。采用风险率、脆弱性、可恢复性、事故周期和风险度等作为区域水资源短缺风险程度的评价指标，建立了综合评价体系。本方法应用于闽东南地区的水资源短缺风险评价，评价结果显示：到2010水平年，闽东南地区的水资源短缺风险较高，需要采取风险调控措施。     

水资源开发利用评价的支持向量机模型

针对水资源开发利用多指标不相容、评价模型精度难以控制等问题,为提高评价等级的分辨率和模型的精度,根据标准评价指标和等级,随机模拟大样本数据,运用训练数据随机交叉和回归误差控制等方法选择模型参数,建立水资源开发利用程度综合评价的支持向量机的通用模型.并以西安地区水资源开发利用评价为例进行验证.结果表明,通用模型适用性强,与模糊评价相比较,评价结果更加客观可靠.     

基于支持向量机的防洪脆弱性评价模型研究

针对防洪风险因风险主体而异的特点,提出了防洪脆弱性的定义,选取影响临灾破坏程度的因子建立了评价指标体系,以所选指标的自然断裂法分级作为训练样本,建立了基于支持向量机的评价模型。应用实例的评价结果符合北江下游的防洪态势,说明了该模型方法的可行性、合理性和有效性。与传统的计点系统模型相比,支持向量机模型的评价结果更接近实际情况。     

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.     

支持向量机在水资源类综合评价中的应用——以全国31个省级行政区水资源合理性配置为例

简要分析水资源类综合评价中存在的问题,针对各种人工神经网络(ANN)应用于水资源类综合评价中存在的缺点,采取基于支持向量机(SVM)基本原理和交叉验证(CV)方法,提出一种通用的CV-SVM水资源类综合评价模型,并构建GA-BP、传统BP及RBF评价模型作为对比模型。首先,基于水资源配置基本内涵,构建水资源合理配置评价指标体系和分级标准,采用随机内插的方法在各评价分级标准阈值间生成训练样本和检验样本,选用决定系数R²等6个统计学指标用于评价模型性能,在达到预期评价精度后将模型应用于水资源类综合评价中,以解决此类综合评价中由于“欠拟合”与“过拟合”降低网络泛化能力的问题。结果表明,CV SVM模型性能和评价精度优于GA-BP、RBF和BP网络模型,该模型应用于水资源类综合评价是合理可行和有效的。最后应用CV-SVM评价模型,以全国31个省级行政区水资源合理性配置为例进行模型验证。     

洞庭湖富营养化支持向量机评价模型研究

基于支持向量机模型良好的推广和泛化能力,构建了洞庭湖水体富营养化支持向量机评价模型。针对评价标准,采用均匀分布随机函数形成50个样本训练集用于支持向量机的训练,并分别选取东洞庭湖、南洞庭湖、西洞庭湖3个典型代表断面,实现了对洞庭湖水体富营养化程度的综合评价。结果表明,近10 a来洞庭湖水质整体处于中富营养化,呈西洞庭湖富营养化程度最高、南洞庭湖其次、东洞庭湖最轻的格局。     

基于支持向量机的重要抽样方法

在结构可靠度分析中,对于非线性的隐式极限状态方程,与一次二阶矩方法相结合的传统响应面方法一般并不适用。支持向量机算法较好地解决了小样本的统计学习问题,为解决有限样本情况下结构极限状态功能函数的重构提供了有力的理论基础。基于回归支持向量机方法,采用有限的经验点重构结构极限状态方程,结合重要抽样方法计算非线性的隐式极限状态方程结构的可靠度。该方法相对传统响应面方法在结构计算工作不增加的条件下,可以获得高精度的解,能较有效地解决非线性的隐式极限状态方程的结构可靠分析问题。     

基于数据挖掘的支持向量机围岩分类方法研究

针对围岩分类问题,提出了一种依据数据挖掘技术,采用二叉树支持向量机的智能围岩分类方法。该方法选择9项影响围岩分类的主要指标,利用SPSS Modeler数据挖掘工具构建SVM分类拟合模型,对围岩数据进行分类和预测,以实现快速智能化决策输出。研究结果表明:基于数据挖掘的支持向量机围岩分类方法可以很好地解决小样本、非线性、高维数的问题,该方法科学可行、可视性强、准确率高,应用前景广阔。     

基于支持向量机理论的土壤水分预测模型研究

土壤水分含量是影响作物生长和农田水土环境的一个重要指标,土壤水分预测对农业生产中水分的合理利用与管理具有重要意义.应用支持向量机理论,采用土壤水分含量影响较大的降雨量、蒸发量、相对湿度和地下水埋深作为模型输入因子,土壤水分含量为输出因子,建立了土壤水分预测模型,并与灰色理论水分预测模型进行了对比.结果表明:支持向量机模型预测土壤含水量的最大误差为5.83%,平均误差为2.44%,预测结果优于灰色预测理论,模型的预测精度为0.957.     

基于支持向量机的岩爆识别模型

岩爆的发生受多种因素的影响,这些因素关系错综复杂,以不同的特征和组合对岩爆产生综合影响,为科学、充分地利用现有的有限工程资料,本文从地下洞室围岩最大切向应力、岩石的单轴抗压强度和抗拉强度以及岩石冲击倾向指数四个主要因素出发,提出了基于支持向量机的岩爆识别模型,较好地解决小样本、非线性、高维数、局部极小点等的实际问题。     

基于支持向量机的东港市降水量预测模型研究

水是生命之源,降水量的变化直接影响着农业生产和生态平衡.本文立足于辽宁省东港站1970年～2013年共44年的降水量资料,运用支持向量机模型,建立基于支持向量机（SVM）的降水量预测模型,并将SVM模型与BP人工神经网络预测模型预测结果进行对比分析.结果表明：基于支持向量机（SVM）的降水量预测模型预测精度优于BP神经网络预测模型,且收敛速度快,迭代次数少;能够客观的反应东港市降水量情况,且方法简单、可行,为辽宁省东港市的降水量预测提供了较为有效的方法.     

基于支持向量机的土石坝安全监测预报模型研究

简要介绍了支持向量机的基本原理,在对建模因子进行分析的基础上,提出了基于支持向量回归（SVR）算法的土石坝安全监测预报模型。实例分析表明,该模型与传统的多元线性回归模型和逐步回归模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

基于支持向量机的混凝土强度预测

支持向量机是建立在统计学理论之上的机器学习技术。提出了混凝土28 d抗压强度预测的一种新方法,即支持向量机回归方法。该方法根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,可以对混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法。     

支持向量分类机在湖泊富营养化评价中的应用

支持向量机是建立在统计学理论和结构风险最小化准则的基础上,能较好地解决小样本、非线性、高维数及局部极小点等实际问题的新型机器学习方法.利用支持向量分类机算法,构建湖泊富营养化评价模型并应用于具体实例.结果表明,支持向量分类机能正确客观地对湖泊富营养化程度进行等级评价,并且计算简洁,快速和保证有较好的泛化性能.     

支持向量机在地下水位预报中的应用研究

针对地下水系统结构不甚清晰、基础资料不完备条件下区域地下水位预报问题,在介 绍支持向量机基本原理和实现算法的基础上,探讨了支持向量机方法在区域地下水位预报中的应用,经过与人工神经网络方法预报结果比较,表明该方法具有速度快、泛化能力强的特点,可很好地克服神经网络的过学习问题。     

基于支持向量机的复合地基承载力预测方法研究

提出一种基于支持向量机的复合地基承载力预测方法。该方法从复合地基试验结果中提取特征参数,组成反映复合地基竖向承载力的特征向量,并利用一种改进的支持向量机的非线性映射特性和学习能力,建立特征向量和复合地基承载力之间的非线性隐式方程,用以预测复合地基承载力。实例研究表明基于支持向量机的复合地基承载力预测方法预测结果较为准确,具有一定的实用价值。     

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。     

基于支持向量机模型的湘江枯水预报研究

随着枯水期水资源短缺问题日益突出,人们对枯水径流的研究也越来越重视.运用支持向量机模型对湘江湘潭站年最小7 d平均流量进行预测.为了检测预报效果,将其预报结果与投影寻踪模型、人工神经网络模型的预报结果进行比较,表明支持向量机模型的误差合格率最高,预报精度也最高.     

基于支持向量机的钱塘江潮时预报方法北大核心

针对在钱塘江潮时预报中经验模型和传统神经网络的可靠性不足的问题,提出一种基于支持向量机的钱塘江涌潮到达时间预报方法。通过历史数据了解并分析钱塘江涌潮的周期性以及各涌潮周期间的相关性,取预报日期前后一个月的数据作为一个预报模型,以预测日期前一个月以及近5年内同一月份的隔日时间差数据作为训练样本,利用支持向量机预测未来涌潮到达时间。最后,通过对钱塘江沿岸多个水文站2015年农历八月初一至八月二十一的隔日时间差实例预测,验证了方法的有效性。