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.     

基于支持向量机的水资源评价方法研究

水资源丰富度是刻画水资源承载能力的核心指标,对该地区的水资源规划各项决策起关键指导作用。文章针对水资源丰富度的评价问题,引入支持向量机这一先进工具,综合资源经济和环境等多方面的因素,通过输入输出样本,自动确定出样本水资源承载能力的评价等级,提高对样本等级评价的客观可信度。并以辽西流域为例,对该流域水资源承载能力进行评价,从而为水资源可持续开发决策提供了新的依据。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

西江梧州站基于支持向量机的水位预测模型研究

利用西江梧州站的水位历史观测数据,基于支持向量机对西江梧州站的水位预测模型进行深入研究,以总体方差最小为原则优选分析各模型变量,基于逐日平均历史数据的变化趋势,对2019年的日平均水位变化进行预测,并与自回归模型进行模拟效果对比分析。研究表明：支持向量机水位预测模型预测效果比自回归模型好;支持向量机水位预测模型预测精度较高,对于提高航道水位预测精度具有一定的参考价值。     

基于支持向量机的桥墩局部冲刷深度预测模型

基于支持向量机（SVM）建立了圆柱型桥墩局部冲刷深度预测模型,采用440组恒定流工况下圆柱型桥墩基础局部冲刷试验数据,对模型进行训练并对桥墩冲刷影响因素进行敏感性分析。分析结果表明,建立的模型冲刷深度预测值与试验值吻合良好,模型具有可行性和有效性;泥沙分层系数和水流强度对模型训练结果影响较大。     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

基于蚁群优化的支持向量机风速预测模型研究

由于风速的随机性大,预测的准确度不高,针对这种现象,基于支持向量机理论建立了风速预测模型,同时针对支持向量机参数的选取尚无有效的方法,尝试应用蚁群算法来优化参数的选取。以某风场连续5 d的实测风速为研究对象,选取前4 d的实测风速(采样间隔30 min),应用风速预测模型对第5天的48个风速值进行预测,其预测的平均绝对百分比误差仅为9.77%,预测效果比较理想。验证了应用蚁群优化算法理论与支持向量机理论进行风速预测的可行性,可为风速的长期预测、风力发电功率预测和风电场规划选址等提供理论指导。     

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。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。     

基于PCA和支持向量机的径流预测应用研究

影响径流量的因素很多,并且这些因素与径流量之间存在着复杂的非线性关系。将主成分分析和支持向量机相结合,首先进行特征提取,降低数据维数,获取数据的主要信息;然后利用支持向量机建立径流预测模型,取得了非常好的效果。并与支持向量机回归模型进行了比较,结果表明该方法具有更好的预测精度,值得推广。     

支持向量机在径流预报中的应用探讨

径流的形成是一个涉及到水文、气象及力学等复杂的过程,中间包含降水、蒸发、产流、汇流等复杂过程,还受到地形、地貌、流域下垫面和人类活动等因素影响,其变化非常复杂,作为一种新的机器学习算法,支持向量机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,从而得到唯一的全局最优解。尝试将最小二乘支持向量机技术用于径流预测,并与BP神经网络方法的预测结果进行了对比,证明SVM方法预测径流量精度要优于BP神经网络方法。     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

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。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

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.     

支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。