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。     

浅谈财政支出绩效评价

财政支出绩效评价是政府公共支出关系中的一项重要制度,该文通过对财政支出绩效评价的基本分析,结合我国现有财政支出绩效评价工作中存在的问题,提出不断完善财政支出绩效评价的措施,旨在不断完善我国预算绩效评价改革。     

建立健全财政支出绩效评价体系 实现财政资金效益最大化

在现有的财政预算管理体制下,如何做好财政资金的有效使用和分配工作,使有限的财政资金创造更多的经济和社会效益,是目前各行政单位必须实现的目标,作者就建立和健全财政支出绩效评价体系,实现财政资金效益最大化以及目前财政支出绩效评价存在的难点进行了探讨。     

高等教育财政支出绩效评价指标体系的构建研究

预算绩效管理作为一种以结果为导向的预算管理模式,更加关注预算资金的产出和结果,对高等教育财政支出进行绩效评价是其重要组成部分。以"提高经费使用效率"为出发点,基于财务管理、产出效果、社会评价和可持续发展能力四个维度来构建我国高等教育财政支出绩效评价制度的指标体系。并提出加强高等教育财政支出绩效评价的培训和宣传工作,提高高等教育财政支出预算管理的精细化水平,注重绩效评价结果的应用等对策建议。     

关于公路工程项目管理绩效评价的研究

所谓的公路工程项目管理绩效评价,即为对公路工程的管理水平、工程质量与经济效益等各项指标所进行的综合评价。在公路工程项目管理中,公路工程项目管理绩效评价能够有效地评价对项目管理工作的综合效果,因此,加强对公路工程项目管理绩效评价的研究是非常必要的。文章首先论述了公路工程项目管理绩效评价的意义,然后在此基础上论述了公路工程项目管理绩效评价理论,最后对相关评价方法进行了阐述。希望能够有效促进公路工程项目管理绩效评价工作的顺利开展。     

电网企业数字化项目投资成效评价

为准确评价电网企业数字化项目投资成效,构建电网企业数字化项目投资成效组合评价模型。该模型将熵值法、层次分析法、阿基米德优化算法和最小二乘支持向量机4种方法有机结合,采用AHP-Entropy组合赋权法对数字化项目进行评价。对评估结果进行归一化处理后,输入AOA-LSSVM进行训练和预测。结果表明,该模型预测的平均绝对百分比误差为1.869 8%,说明该模型在数字化项目投资成效评价方面具有一定的合理性和可行性,可为电网数字化项目投资决策提供参考。     

财政项目支出评价标准模型的探讨

财政项目支出评价标准,目前主要有行业标准、计划标准、历史标准、经验标准四种。不同的标准用于财政项目支出绩效评价,会得到不同的结论,有其自身的局限性。文章提出了一种数学模型来确定财政支出项目绩效评价的标准,使财政支出项目评价标准更具客观性与科学性。     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

改进支持向量机在大坝变形预测中的应用研究

支持向量机算法进行建模的过程中,选取合适的核函数以及相关的参数组合是最重要的部分,参数选取的好坏将直接影响到预测结果的精度。本文采用基因表达式编程算法对支持向量机算法进行参数组选取,得到改进支持向量机算法并将其应用于具体工程实例之中。结果表明改进支持向量机大坝变形预测模型比传统支持向量机大坝变形预测模型得出的预测结果的精度提高了近3倍,从而说明基于基因表达式编程的改进支持向量机的预测模型在大坝变形预测中具有良好的预测效果。     

遗传算法优化BP神经网络的保障房工程项目管理绩效评价

为了提高BP神经网络算法对项目管理绩效评价的准确性,提出一种基于遗传算法优化BP神经网络的项目管理绩效评价方法。该方法将遗传算法引入到BP神经网络中,搜索最佳的初始网络权植和阈值,在此基础上通过训练得出最优解,并利用该方法对保障房工程项目管理绩效评价进行可行性验证。结果表明,利用该方法对保障房工程项目管理绩效评价具有强大的非线性拟合能力和更高的准确性。     

“双创”科技项目孵化绩效评价指标

孵化绩效评价可有效对高校"双创"科技项目进行诊断和引导。通过分析影响高校"双创"科技孵化项目绩效的因素,采用专家赋权法分别从育人、基础设施、财务、市场、创新五个维度,设计了16个具体指标,建构起绩效评价的指标体系。从佐证材料、评价方法、评价团队三方面对绩效评价指标体系的应用提出了相关建议。     

基于SVM的城市地下工程施工安全风险预测研究

为科学准确预测城市地下工程施工安全风险水平,开发一种基于支持向量机(SVM)模型的预测方法。利用Citespace对近5年相关文献进行了主题和关键词聚类分析,将聚类分析结果作为参考。基于4M1E事故要素理论,结合城市地下工程特点和专家意见,建立了契合地下工程施工实际的安全风险评价指标体系,从而构建了安全风险水平预测SVM模型。以武汉、北京、广州等地区范围内的25个城市地下工程施工项目统计数据对SVM模型进行学习训练和测试验证。结果表明:SVM模型训练集回代检验和测试集预测结果均与实际情况完全一致,可作为预测城市地下工程施工安全风险水平的有效方法。     

基于支持向量回归的锅炉出水温度时间序列预测

燃煤供热锅炉系统是一个非线性复杂系统,在实际应用中存在诸多优化问题.本文在分析锅炉系统工作过程及控制系统结构的基础上,结合锅炉参数的时序性特点,对时间序列进行相空间重构,构建训练样本数据对并建立基于支持向量回归的时序数据预测模型,从而实现对锅炉输出参数(出水温度)的预测.实际系统数据的仿真表明,该模型预测结果基本符合实际运行情况,可以为相关人员进行锅炉优化控制提供决策支持.     

建筑节能类项目财政支出绩效评价研究

以建筑节能类项目财政支出为研究对象,按照"投入、过程、产出、效果"的逻辑顺序构建建筑节能类项目财政支出绩效评价指标体系,并采用改进的层次分析法确定指标权重;在已构建的指标体系基础上,给出两种指标体系应用方法,即数学模型法和基于百分制打分法,以期为有效推进建筑节能类项目财政支出绩效评价工作提供理论参考。     

工程项目管理绩效评价中的集对分析应用

针对建筑工程项目管理绩效评价指标的不确定性,将集对分析理论应用于建筑工程项目管理绩效评价过程。建立一个综合考虑项目质量、费用、工期、安全四大控制指标的EPM绩效评价模型,通过延伸的同一、差异、对立的集对分析概念,评价、判断项目管理绩效评价的等级。采用相关数据对该模型进行验证,可以得出该模型评价结果更加全面、客观,更易于计算机编程实现,取得较为满意的结果。     

支持向量回归预测模型在材料性能预测中的应用

与材料性能相关的预测模型,可以实现优化工艺,减少试验次数,节约研究时间和研究经费。本文介绍了支持向量回归原理,并以3种材料为例,介绍基于支持向量回归的预测模型对材料性能的预测。研究实例结果表明:支持向量回归预测模型具有良好的学习和泛化能力。研究者可以通过基于支持向量回归预测模型对各种材料的性能进行预测。     

基于FPSTWD算法与时间序列支持向量机的河流径流量预报

为及时掌握河道径流量变化趋势,为下游水库防洪调度提供依据,提出了基于时间序列的最小二乘支持向量机河道径流量实时预测模型。采用特征点分段时间弯曲距离算法对实时采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行训练优化,实现多个LSSVR子模型建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为预测模型。应用该模型对某河径流量进行实时预测,模型评价指标中最大相对误差、平均相对误差绝对值和均方根误差分别为9.08%、3.25%与303m3。研究结果表明,该模型具有较好的预测性能,能够满足河道径流量预测的实际需求,并为下游水库防洪调度与水资源管理提供了重要参考。     

基于粒子群算法改进最小二乘支持向量机的工程投资风险评价模型

为了有效控制工程投资风险,有预见性地采取风险应对策略,通过粒子群算法优化最小二乘支持向量机的核函数参数和正则化参数,构建了一种工程投资风险评价模型。分别采用WBS和元分析法分析工程项目投资环境面临的内部和外部风险因素,并建立投资风险评价体系。根据工程实际情况采用专家打分法对17个已完工项目和4个新开工项目进行投资风险因素打分,将打分值归一化处理后作为最小二乘支持向量机的输入向量,4个新开工项目的风险评价值作为输出向量,根据评价值确定其对应的风险等级。结果表明,粒子群改进最小二乘支持向量机模型预测的平均误差为2. 48%,能够较准确地评价投资风险等级,为工程投资风险控制提供参考依据。     

基于SVM预测模型的工程初设阶段概预算研究

为了提高建筑工程初期设计阶段的工程预测可靠性,在国内外学者研究成果的基础上,通过对支持向量机(SVM)的改进从而提出一种最小二乘支持向量机的算法模型(SVM预测模型),进而实现对工程初设阶段造价进行较为详细、全面的预测。并从某房建项目中选取已经完工的15个成品住宅项目为工程依托,将提出的SVM预测模型进行工程应用,结果表明最大误差值小于误差允许值,误差精度满足要求,提出的SVM预测模型可为工程初设阶段概预算提供参考价值。     

基于随机森林-支持向量机隧道盾构引起建筑物沉降研究

在地下工程盾构施工过程中,准确快速预测地铁盾构施工引起的建筑物沉降对地铁盾构施工安全评估起着至关重要的作用。本文将基于随机森林-支持向量机(RF-SVM)算法引入预测地铁盾构施工引起的建筑物沉降中,构建建筑物变形影响因素指标体系,利用随机森林算法对特征变量进行重要性评价,用五折交叉验证法对特征变量进行筛选,选取隧道埋深、建筑物完好程度、相对水平位置、覆跨比、弹性模量、推进速度共6个特征作为最优的特征变量集,建立RF-SVM训练模型,得出不同变量的敏感度,用训练模型对测试集进行预测,与人工神经网络模型、未进行特征变量筛选的支持向量机预测模型对比计算,比较均方根误差,说明RFSVM预测结果最为接近实际值,精度最高。所提出的RF-SVM预测模型为实现建筑物变形预测提供了一种有效的工具。