岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于PSO-SVM的黄土湿陷性预测研究

湿陷系数是描述黄土物理力学性质的重要指标，利用现有资料建立黄土湿陷性预测模型具有重要的工程应用价值。通过粒子群算法(PSO)优化支持向量机(SVM)，建立基于PSO-SVM的黄土湿陷性预测模型，SVM用于描述湿陷系数与黄土物理力学指标间的非线性关系，PSO对SVM参数进行全局寻优，避免人为选择参数的盲目性，从而提高模型的预测精度。结果表明PSO-SVM方法在精度和适用性方面由于传统的人工神经网络方法，建立的黄土湿陷性预测模型可以满足工程应用需求。     

基于PSO-SVM模型的苯储罐泄漏浓度预测

以苯储罐为研究对象,利用ALOHA软件模拟了不同大气温度、风速、地面粗糙度、泄漏口直径和测点条件下苯浓度的变化。将ALOHA模拟数据作为训练样本,建立苯泄漏区域浓度的粒子群-支持向量机(PSO-SVM)预测模型。为验证模型预测性能,采用遗传算法支持向量机(GA-SVM)模型和支持向量机(SVM)模型进行预测,并与PSO-SVM模型对比。结果表明,PSO-SVM模型预测效果优于GA-SVM和SVM模型。     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

基于PSO-SVM模型的深基坑变形预测研究

深基坑变形预测一直是深基坑工程的一个重点研究课题,具有十分重要的理论意义和实际价值.支持向量机是一种基于结构风险最小化原理的机器学习算法,它具有很好的泛化能力,能够有效地解决小样本、非线性、高维数、局部极小等问题.本文将支持向量机(SVM)理论引入到深基坑的变形预测当中,同时,采用粒子群算法(PSO)来优化SVM的相关...     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于改进果蝇算法优化SVM的个人信用风险评估

为了提高信用风险评估的准确率,应用支持向量机(SVM)来建立信用风险评估模型。针对SVM模型性能的优劣与参数的选择密切相关,提出对传统的果蝇优化算法(FOA)进行改进,采用改进的果蝇算法优化支持向量机的参数,并将该模型的评估结果分别与网格法、遗传算法(GA)和果蝇算法(FOA)优化SVM参数的评估结果对比。实验结果表明:使用改进的果蝇算法优化后的支持向量机模型的评估准确率更高,更适合用于信用风险评估。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。