导水裂缝带高度预测的模糊支持向量机模型

针对传统支持向量机(SVM)模型在导水裂缝带高度预测中存在着易受奇异值干扰而造成的泛化能力降低问题,提出了基于异常样本探测、剔除的模糊支持向量机模型(FSVM)。采用模糊聚类分析和加权支持向量机(WSVM)相结合的方法,首先根据模糊ISODATA算法求得导水裂缝带高度及其影响因素的最优分类矩阵,剔除分类结果不一致的观测样本,然后以模糊隶属度为样本权重,按照WSVM建模思想建立了导水裂缝带高度预测的FSVM模型。通过实例将FSVM和WSVM、SVM的预测结果作对比分析。结果表明,FSVM避免了异常样本对预测结果的影响,并顾及了建模样本的不同重要程度,其预测精度比WSVM和SVM有较大的提高。     

基于模糊理论与SVM的边坡地震失稳规模贝叶斯网络评估方法

由于历史边坡样本数量不足,使用传统机器学习方法进行边坡稳定性评估往往会出现过拟合问题。以贝叶斯网络为框架,结合模糊理论与支持向量机,建立一种边坡地震失稳规模评估新方法。采用模糊理论求解贝叶斯网络参数的先验分布,同时采用支持向量机求解贝叶斯网络参数的实际样本潜在分布;利用贝叶斯估计方法将先验分布与实际样本潜在分布结合,以得到既满足基本规律又体现样本非线性与随机性的边坡地震失稳规模贝叶斯网络。利用建立好的贝叶斯网络对32个实际边坡样本进行失稳规模评估,正确率为81.25%。通过与基于先验知识的贝叶斯网络、基于实际样本的支持向量机进行对比,可以看出,提出的方法解决了样本不足带来的过拟合问题,正确率有很大提升。并且,该方法在边坡属性不完整的情况下也能对失稳规模作出有效评估。     

基于马氏距离的模糊支持向量机及其在用户行为识别中的应用研究

基于支持向量机的分类原理,对具有显著不平衡性的用户行为数据进行分析,旨在探索一种利用用户浏览商品网页时的行为特征,识别用户关于商品品牌购买偏好的方法。文章提出一种基于马氏距离的高维空间类中心隶属度构建方法,将该方法与支持向量机和基于欧式距离的高维空间类中心隶属度的模糊支持向量机进行比较,通过一组对比实验,证明该方法用于对用户行为偏好识别的有效性和优越性。     

基于SVM-AFSA的公租房REITs融资风险评价

为解决公租房REITs融资过程风险因素非线性、高度拟合特点等导致难以快速、高效对融资风险进行评价的问题,提出一种基于SVM-AFSA的公租房REITs融资风险评价模型。首先利用人工鱼群算法(AFSA)对支持向量机(SVM)的核函数及惩罚因子优化处理,寻找最优训练参数,提高支持向量机的预测精度;再借助支持向量机在处理非线性、小样本数据方面的优势对兰考县健康小区公租房REITs融资风险进行评价,结果表明该公租房REITs融资风险等级为一般。     

基于蜂群算法优化的支持向量机植被提取研究

针对惩罚因子C和核函数宽度g对支持向量机分类精度有明显影响的问题,选用人工蜂群算法对支持向量机的参数进行优化并把其应用到高分辨率遥感影像植被提取的研究中。以重庆市某城乡ZY-3遥感影像为例,通过误差矩阵对比可知,蜂群算法优化后支持向量机的Kappa系数高于遗传算法及粒子群算法优化的支持向量机。研究结果表明:蜂群算法优化的支持向量机对植被的分类精度达到了82.7%,高于其他算法优化的支持向量机。     

基于混合核函数的LSSVM在GNSS高程拟合中的应用

最小二乘支持向量机具有结构简单、计算速度快、收敛精度高等特点,能够很好地解决小样本、非线性、高维数、局部极值等实际问题,在GNSS高程拟合中具有一定的优势。本文通过构造基于径向基核和多项式核的混合核函数,引入粒子群算法对最小二乘支持向量机进行参数寻优,建立了基于混合核函数的最小二乘支持向量机高程异常拟合模型。以平原地区和山区两种典型地貌的高程数据为研究对象进行实验,并与普通核函数的最小二乘支持向量机的结果对比分析。结果表明,基于混合核函数的最小二乘支持向量机的实验效果要明显优于普通核函数的最小二乘支持向量机。     

单层网壳损伤识别理论与试验研究

结构损伤识别可以归结为结构损伤参数的模式识别问题.对结构响应信号进行小波包分解可以获得各频带的信号能量,将此特征向量作为输入,利用支持向量机强大的模式分类功能,可以实现结构的损伤识别.在环境振动下,对1/10比例的单层网壳模型进行损伤识别试验,将不同的杆件沿径向进行相应程度的截面切割用以模拟不同程度的损伤状态.对不同损伤情况的加速度样本进行三层小波包分解,以相应频带的信号能量作为输入建立支持向量机,利用支持向量机对未训练样本的信号能量进行损伤分类.试验结果表明该方法简便准确,验证了小波包和支持向量机方法用于损失识别的有效性.     

基于FLS-SVM的地铁车站照明能耗预测

地铁车站由于其特殊环境,照明主要依靠人工照明,照明工作时间长、功耗大是其主要特点,因此照明系统节能存在较大空间。对照明能耗的预测与分析是进行照明节能改造与设计的前提和基础。模糊最小二乘支持向量机因其有着学习速度快、跟踪性能好、泛化能力强、精度高等优点被广泛应用于能耗预测领域。本文利用模糊最小二乘支持向量机建立能耗预测模型,并且采用MATLAB的LS-SVM工具箱对预测模型进行了仿真研究,最后通过与RBF神经网络能耗预测模型仿真对比试验表明了基于最小二乘支持向量机的能耗预测模型拟合度好、精度高,是照明能耗预测的有效方法。     

SVM在高层建筑施工安全风险分类中的应用

在调查表的基础上,根据调查数据使用蒙特卡洛模拟生成类似调查样本分布的随机数,使用支持向量机(SVM)对部分随机数进行模拟训练,建立分类模型,再通过其余的随机数进行测试,以此来验证SVM对调查数据分类的可行性.模拟数据分类结果表明,支持向量机对模拟数据的分类具有极高的准确性.将调查所得的风险数据利用SVM进行风险因素影响程度的分类,选取径向基函数作为核函数对调查数据训练学习,并用测试集进行了测试,测试结果的准确率为98.666 6%.     

膨胀土等级判别的遗传支持向量机多分类方法

针对支持向量机模型中的参数难以确定的状况,提出了遗传支持向量机方法,即利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力,并将该方法应用于膨胀土胀缩等级的判别分类问题。考虑影响膨胀土判别的重要因素,选用液限、胀缩总率、塑性指数、天然含水量和自由膨胀率5个指标作为模型的判别因子,以4类膨胀土胀缩等级作为相应的输出,以膨胀土实测数据作为学习样本进行训练,建立相应分类函数对待判样本进行分类。研究结果表明：遗传支持向量机模型分类性能良好,预测精度高,是膨胀土