基于支持向量机方法的抗滑桩优化设计及在边坡稳定性分析中的应用

为减少抗滑桩的受力分析工作量、提高抗滑桩的设计速度、快速优化其设计参数,基于支持向量机方法,采用有限元计算模型设计11组不同桩长、桩径的抗滑桩计算样本,建立抗滑桩优化设计数学模型,并应用于某河道断面设计中。结果表明,所建立的抗滑桩优化模型,可快速有效地搜索工程所需设计参数,为类似边坡抗滑桩设计提供参考依据。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于支持向量机的土石坝边坡稳定概率分析

为了合理考虑土石坝中不确定性因素的影响,本文基于支持向量机方法进行了土石坝边坡稳定概率分析,详细描述了整体计算流程,并通过一个土石坝边坡算例验证了该方法的有效性。结果表明：该方法可以结合参数归一化方法及“0”和“1”输出项来提升土石坝边坡分类精度,仅需进行30次土石坝边坡渗流稳定分析（耗时5min）,便可有效替代1万次MCS方法（耗时20h）进行土石坝边坡概率分析。该方法计算效率高、耗时少,可为解决考虑不确定性的土石坝边坡稳定概率分析问题提供一条有效的途径。     

支持向量机在围岩稳定性分类中的应用

在分析不同围岩稳定性分类方法及支持向量机算法的基础上,提出基于支持向量机的围岩稳定性分类方法。随后采用Matlab语言编程,建立了相应的围岩稳定性分类模型。以某蓄能电站一期工程的实例数据为学习样本,进行学习测试,得到训练效果较佳的分类模型,并用此模型对其二期工程的围岩进行了分类。分析中同BP神经网络算法进行了对比,结果表明,用支持向量机方法来进行围岩稳定性分类是可行的,且具有一定的优越性。     

基于支持向量机的混凝土强度预测

支持向量机是建立在统计学理论之上的机器学习技术。提出了混凝土28 d抗压强度预测的一种新方法,即支持向量机回归方法。该方法根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,可以对混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法。     

基于支持向量机和贝叶斯方法的岩体参数反分析

为实现岩土体参数随施工过程的动态不确定性反分析,将多输出支持向量机方法和贝叶斯理论引入岩体参数不确定性动态反分析中。以白鹤滩水电站左岸边坡为例,建立了基于位移与松驰深度的岩体参数概率反分析方法。研究结果表明：概率反分析方法提供了更多的关于岩土力学参数的信息,能更进一步地匹配地质工程的复杂性和不确定性特征,可以实现参数及其不确定性特征随施工过程的动态更新。所提出的方法具有可行性,可以推广应用到类似工程中。     

基于主成分分析-支持向量机的人工加糙渠道糙率系数预测模型

以矩形人工加糙渠道为研究对象,采用主成分分析-支持向量机方法建立糙率系数预测模型。根据前期试验研究成果,选取佛汝德数Fr、绝对粗糙度Δ、渠道平均水深h、底坡i这四个主要影响因素,采用主成分分析方法提取两个主成分,获得影响糙率系数大小的综合性指标并用于支持向量机对数据的训练、测试及预测。研究结果显示:模型的训练集均方根误差RMSE为3.85×10-4、预测相关系数R为0.997,测试集均方根误差RMSE为5.37×10-4、预测相关系数R为0.992、预测相对误差小于5%。研究结果表明,基于主成分分析-支持向量机所建模型适合人工渠道糙率系数的预测。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

基于支持向量机的重要抽样方法

在结构可靠度分析中,对于非线性的隐式极限状态方程,与一次二阶矩方法相结合的传统响应面方法一般并不适用。支持向量机算法较好地解决了小样本的统计学习问题,为解决有限样本情况下结构极限状态功能函数的重构提供了有力的理论基础。基于回归支持向量机方法,采用有限的经验点重构结构极限状态方程,结合重要抽样方法计算非线性的隐式极限状态方程结构的可靠度。该方法相对传统响应面方法在结构计算工作不增加的条件下,可以获得高精度的解,能较有效地解决非线性的隐式极限状态方程的结构可靠分析问题。     

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。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。     

基于CMFOA-SVM的边坡稳定性评价模型

边坡失稳往往会造成巨大的经济损失和人员伤亡,构建科学有效的边坡稳定性评价模型对于边坡灾害防治具有重要意义。针对边坡评价涉及多重不确定性,探讨了基于正态云模型、果蝇优化算法与支持向量机耦合的边坡稳定性评价模型,即利用正态云模型描述果蝇个体飞行方向和飞行距离的随机性与模糊性,以改进果蝇优化算法,进而应用基于正态云模型的果蝇算法(CMFOA)求解支持向量机(SVM)分类模型的最优参数组合,并结合实例应用及与GA-SVM、PSO-SVM和网格法-SVM对比分析,验证模型的可靠性。实例应用及对比结果表明,CMFOA-SVM模型应用于边坡稳定性评价有效可行,且评价准确率高,同时CMFOA算法的参数寻优效率高,也为其他分类问题提供了新的参考。     

基于支持向量机的岩爆识别模型

岩爆的发生受多种因素的影响,这些因素关系错综复杂,以不同的特征和组合对岩爆产生综合影响,为科学、充分地利用现有的有限工程资料,本文从地下洞室围岩最大切向应力、岩石的单轴抗压强度和抗拉强度以及岩石冲击倾向指数四个主要因素出发,提出了基于支持向量机的岩爆识别模型,较好地解决小样本、非线性、高维数、局部极小点等的实际问题。     

基于支持向量机的水流挟沙力预测研究

本文阐述了支持向量机（SVM）的基本原理及特性,提出了基于SVM的水流挟沙力研究方法,并对30组高、中、低含沙量的水槽试验资料进行训练,训练值与实测值符合较好,再用训练好的SVM模型对4组试验数据进行了预测,预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高的预测精度和可靠性。     

基于进化相关向量机的边坡安全系数估算

针对相关向量机与差分进化优化算法的特点,通过将两种算法有机融合提出进化相关向量机模型E-RVM,并应用于边坡安全系数估算。以留一交叉验证法构建差分进化算法的适应度函数,基于差分优化算法确定相关向量机的最优参数,可有效提高算法预测精度及可靠性。根据模型计算得到的预测均值及预测方差建立预测变量置信区间,分析预测结果的不确定性。以两个边坡数据为例建立基于E-RVM的边坡安全系数估算模型,并与GA-BP、V-SVM、GP方法对比。分析结果表明:E-RVM方法的平均绝对误差、平均相对误差与均方根误差精度指标均明显优于GA-BP、V-SVM、GP。通过95%置信度的置信区间分析,理论安全系数均在置信区间内,并且E-RVM方法具有比GP方法更短的置信区间长度。分析证实E-RVM模型是一种精度高、可靠性强的边坡安全系数预测新方法。     

基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数,以及用等式约束代替不等式约束,将求解的二次规划问题转化线性方程组求解,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

岩石节理抗剪强度的支持向量机预测

提出了岩石节理抗剪强度预测的支持向量机方法,并根据分形节理力学性质和光弹试验数据进行支持向量机的学习和预测.分析结果表明,基于统计学习理论的支持向量机方法可以用来预测节理岩石的抗剪强度,对于复杂的岩体力学行为具有很好的适应性,这种方法在岩石力学研究中具有很好的应用前景.     

基于支持向量机的冻融土壤入渗参数预测

以提高冻融条件下农田土壤灌溉水利用率为目的,基于汾河灌区冻融期内土壤入渗试验,运用支持向量机理论,建立了以冻融条件下土壤含水率、质地、容重、地温和灌溉水温为输入变量,Kostiakov入渗模型参数k、α为输出变量的支持向量机回归预测模型。预测模型误差分析表明:入渗系数k与入渗指数α的训练样本相对误差与检验样本相对误差都控制在10%以内,将k与α代入Kostiakov入渗模型得到的90 min累计入渗量I_(90)的相对误差平均值为5.81%。说明冻融土壤条件下,基于支持向量机理论的Kostiakov入渗模型参数的预测是可行的。     

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.