共查询到17条相似文献,搜索用时 62 毫秒
1.
最小二乘支持向量机在大坝变形预测中的应用 总被引:11,自引:5,他引:11
介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。 相似文献
2.
3.
4.
鉴于大坝渗流监测受众多因素影响,首先利用主成分分析法对相关性较大的因子进行处理,然后利用最小二乘支持向量机进行建模,最后依靠遗传算法对其参数进行选优,建立了基于改进的最小二乘支持向量机的闸首渗流监控模型,并通过实例应用做了对比分析。结果表明,改进的最小二乘支持向量机模型可有效降低输入因子的维数,减小因子之间相关性,降低模型的训练时间,拟合精度均优于其他模型,更适合于渗流监测数据的建模。 相似文献
5.
6.
生物质的热值与其组成成分有关,基于此,应用最小二乘支持向量机方法建立了生物质热值预测的有效模型,并利用Biomass Feedstock Composition and Properties Database数据库提供的数据进行了测试。以该数据库的部分生物质的固定碳、挥发分和灰分含量作为输入,以相应的热值作为输出,训练最小二乘支持向量机。训练完成后,用剩余的生物质进行测试。测试结果表明,预测方法准确,速度较快。与神经网络方法相比,基于最小二乘支持向量机的生物质的热值预测方法更有效。 相似文献
7.
支持向量机模型在渗流监测中的应用 总被引:5,自引:2,他引:5
提出了基于一种支持向量机(SVM)的渗流监测方法。该方法采用结构风险最小化原则,能够在对小样本学习的基础上,对其他样本进行快速、准确的拟合预测,具有更好的泛化性能和精度,减少了对经验的依赖。在算例中,基于SVM的非线性特点,根据土石坝的实测资料建立了渗流监测模型,为水头预报和安全监测奠定了基础。 相似文献
8.
9.
10.
提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法. 相似文献
11.
12.
基于复变函数的保角映射理论及数值分析法,推导了坝基二维渗流模型解析解,通过数值分析软件给出了无防渗帷幕、有防渗帷幕时坝基单宽渗漏量计算公式及基底扬压力计算公式,并以重力坝为例分析了防渗帷幕深度,认为当防渗帷幕深度超过1倍的坝底宽时,随着防渗帷幕深度的增加对扬压力的抑制作用不明显;且相同深度防渗帷幕时透水层厚度越小基底扬压力反而相对越大,但当透水层厚度接近帷幕深度时(即小于1.35倍帷幕深)基底扬压力又开始逐渐减小即呈现"关门现象"。同时基于积分理论推导了无防渗帷幕时坝肩绕渗渗漏量解析计算公式,最后通过工程实例与有限元法计算结果进行比较,验证了该解析计算公式精度可靠、方便快捷。 相似文献
13.
14.
为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。 相似文献
15.
16.
针对池潭大坝6^#~8^#坝段坝基出现扬压力测孔水位较高、6^#坝段坝基渗漏量较大等异常情况,根据坝基渗流实测资料,应用有关的数学模型对异常情况进行了定量和定性的分析,解析了异常情况的成因,对相应坝段渗流性态进行了评价。 相似文献