支持向量机在地面沉降预测中的应用

在统计学理论和结构网络最小化准则的基础上,建立了基于支持向量机（SVM）理论的地面沉降预测数学模型。在算例分析中与BP神经网络预测进行了对比,发现该法具有收敛速度快,泛化能力强等特点,在地面沉降预测中非常有效。     

支持向量机在建筑能耗预测中的应用

建筑领域空调的冷热源往往由储能设备预测未来24 h建筑的能源使用情况,为供能设备的调度策略提供依据,实现按需供能,能更好地推进建筑节能工作.结合建筑物的业态特性,对能耗预测中存在的问题,包括数据的预处理、预测样本的建立、核函数的选取及参数的优化方法,进行了分析.采用某园区的实际空调能耗数据,对数据进行分析处理并用不同方法进行仿真测试,仿真结果表明支持向量机在空调能耗的预测中是一种有效的方法.     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。     

支持向量机预测发热量研究

发热量对煤炭利用日趋重要,文章根据影响煤炭发热量的因素,在不同输入因素条件下,应用支持向量机构建不同预测模型;比较不同模型的预测结果,得出最佳模型及输入因素,确定的支持向量机模型与神经网络模型对比,得出支持向量机预测发热量是可行的,期预测效果好于神经网络.     

支持向量回归机在混凝土强度预测中的应用研究

利用支持向量回归机(SVR)算法,对在ε-insensitive和Quadratic两种损失函数下的两种核函数进行了研究与分析。在样本数据学习中,发现其预测精度远远高于BP神经网络的预测精度,且参数取值范围很大。针对支持向量回归机模型,给出了参数的取值范围,为SVM在类似工程上的应用提供了参考。     

基于超球支持向量机的水环境质量评价

将超球向量机方法引用到水环境质量评价中,并应用该方法与标准指数法分别对细河水体进行了评价。结果表明,超球向量机评价方法对监测值处于分类重叠区域的水质分类要优于标准指数法,评价结果更客观,具有较好的泛化能力,说明超球向量机法可以用于水环境质量评价,具有很好的研究前景。     

最小二乘支持向量机在楼宇流量预测中的应用

对于利用变频技术进行的恒压变流量二次供水系统,为了始终保持系统在高效区运行,必须使设备所选水泵的搭配及使用与用户用水规律相吻合,这就需要对用户的用水流量分布规律进行预测。将最小二乘支持向量机应用于流量趋势预测,并通过试验方式着重讨论了模型特征的选取对模型精度的影响,最终建立了基于最小二乘支持向量机的流量预测模型。经实际应用证明,采用该方法进行流量预测是可行的;此外,时段、压力以及节假日特征与流量之间的关联程度较大,适合作为预测模型的训练特征。     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

基于支持向量机的公路隧道围岩变形预测

隧道围岩变形影响到隧道施工的安全,对隧道围岩变形进行预测,可作为指导隧道施工的依据。以江西某隧道围岩变形问题为研究对象,采用在小样本、非线性、高维模式识别问题中具有优势支持向量机理论建立模型,建立隧道围岩变形预测模型,结果显示,实测值与预测值相差很小,证明此方法有很强的实用性。     

基于支持向量机的现金流时间序列预测分析

准确合理地预测现金流量是决策者面临的重要课题之一。文章通过采用支持向量机进行建模和仿真,利用滑动窗技术,对一汽轿车的现金流量预测进行了实证研究。研究结果表明,支持向量机模型在小样本条件下具有较好的预测效果。模型的拟合和预测效果与滑动窗发送器的尺寸和具体的权重函数选择有关。     

岩爆基于支持向量机预测的智能模型

根据岩爆预测的特性,引入了支持向量机SVM的新方法,研究了支持向量机的基本原理及其在岩爆预测中的模型建立,通过某工程的实际应用证明：支持向量机在岩爆预测中取得了较好的效果。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

An enforced support vector machine model for construction contractor default prediction

The financial health of construction contractors is critical in successfully completing a project, and thus default prediction is highly concerned by owners and other stakeholders. In other industries many previous studies employ support vector machine (SVM) or other Artificial Neural Networks (ANN) methods for corporate default prediction using the sample-matching method, which produces sample selection biases. In order to avoid the sample selection biases, this paper used all available firm-years samples during the sample period. Yet this brings a new challenge: the number of non-defaulted samples greatly exceeds the defaulted samples, which is referred to as between-class imbalance. Although the SVM algorithm is a powerful learning process, it cannot always be applied to data with extreme distribution characteristics. This paper proposes an enforced support vector machine-based model (ESVM model) for the default prediction in the construction industry, using all available firm-years data in our sample period to solve the between-class imbalance. The traditional logistic regression model is provided as a benchmark to evaluate the forecasting ability of the ESVM model. All financial variables related to the prediction of contractor default risk as well as 7 variables selected by the Multivariate Discriminant Analysis (MDA) stepwise method are put in the models for comparison. The empirical results of this paper show that the ESVM model always outperforms the logistic regression model, and is more convenient to use because it is relatively independent of the selection of variables. Thus, we recommend the proposed ESVM model as an alternative to the traditionally used logistic model.     

Reliability analysis of tunnel using least square support vector machine

In the reliability analysis of tunnels, the limited state function is implicit and nonlinear, and is difficult to apply based on the traditional reliability method, especially for large-scale projects. Least squares support vector machines (LS-SVM) are capable of approximating the limited state function without the need for additional assumptions regarding the function form, in comparison to traditional polynomial response surfaces. In the present work, the LS-SVM method was adapted to obtain the limited state function. An LS-SVM-based response surface method (RSM), combined with the first-order reliability method (FORM), is proposed for use in tunnel reliability analysis and implementation of the method is described. The reliability index obtained from the proposed method applied to particular tunnel configurations under different conditions shows excellent agreement with Low and Tang’s (2007) method and traditional RSM results, and indicates that the LS-SVM-based RSM is an efficient and effective approach for reliability analysis in tunnel engineering.     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

采用支持向量机方法对框架结构的损伤识别

将支持向量机方法用于框架结构的损伤检测,并通过一个算例对该方法进行了损伤识别效果的测试,试验表明支持向量机适用于单损伤的检测,对于损伤位置的判断,有很好的精确性,而且对损伤程度的预测也有很好的精度。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

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。     

基于支持向量机的边坡可靠性分析

将支持向量机与一阶二次矩方法结合,提出了边坡可靠性分析的支持向量机方法。利用极限平衡分析构造学习样本,通过支持向量机学习,建立安全系数与随机变量之间映射关系的支持向量机表达,进而实现边坡极限状态函数及其偏导数的显式表达,从而计算边坡的可靠性指标。该方法避免了传统可靠性分析的缺点。利用一个算例进行了分析,结果表明:该方法计算效率高,结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。