大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟.采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响.对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析.     

支持向量机在地下水位预报中的应用研究

针对地下水系统结构不甚清晰、基础资料不完备条件下区域地下水位预报问题,在介 绍支持向量机基本原理和实现算法的基础上,探讨了支持向量机方法在区域地下水位预报中的应用,经过与人工神经网络方法预报结果比较,表明该方法具有速度快、泛化能力强的特点,可很好地克服神经网络的过学习问题。     

地下水位动态预测的人工神经网络方法

介绍了人工神经网络的基本原理，用该方法进行地下水位预测，结果表明该方法精度较高，具有一定的推广应用价值。     

具有周期变化和下降趋势的地下水位的预测

应用门限自回归（ＴＲＡ）模型解决具有周期性变化和下降趋势的地下水位的预测问题，可以有效地利用地下水位资料所隐含的时序分段相关性，起到限制模型误差，保证模型预测性能的稳定性，提高预测精度的作用。     

地下水位动态预测的人工神经网络方法

介绍了人工神经网络的基本原理 ,用该方法进行地下水位预测 ,结果表明该方法精度较高 ,具有一定的推广应用价值     

基于SVM方法的小流域泥石流输沙量预测

介绍SVM方法的基本原理及特性,建立基于SVM方法的小流域泥石流输沙量预测模型,用复相关分析法确定了影响流域输沙的3个主要因子:过程降雨量,前期降雨量,泥石流历时。对12组实测资料进行训练,训练值与实测值吻合较好;用训练好的模型对5组实测资料进行预测,预测效果优于神经网络模型。理论分析和实例验证均表明SVM方法可以获得整体最优效果。     

具有周期变化和下降趋势的地下水位的预测

应用门限自回归 (TRA)模型解决具有周期性变化和下降趋势的地下水位的预测问题 ,可以有效地利用地下水位资料所隐含的时序分段相关性 ,起到限制模型误差 ,保证模型预测性能的稳定性 ,提高预测精度的作用     

基于LS-SVM城市水资源承载能力预测方法

水资源承载力是水资源安全战略研究中的一个基础课题,是水资源安全的基本度量[1].准确预测水资源承载力,对国民经济发展规划、生态环境保护和水资源持续利用具有重要意义.该文提出了一种基于最小二乘支持向量机城市水资源承载能力预测模型.通过对具体的城市水资源承载能力预测实验,并与其他几种常见模型预测结果比较,表明该模型具有预测精度高、速度快、容易实现等优点,为我国城市水资源承载能力预测提供了一种有效的方法.     

基于小波分析以及ε-SVR的隧道围岩位移时序预测

根据龙滩地下洞室围岩现场长期的观测数据,利用小波变换阈值去噪法对数据信号的高频系数进行量化处理,恢复原有的监测信号。实例结果表明,小波变换阈值去噪法能够有效地去除噪声的影响,获得围岩变形的真实信号。同时将去噪后的数据用于支持向量机(ε-SVR)建立时序分析模型中,并与GA-BP模型进行对比,结果表明ε-SVR模型的误差更小,预测效果更佳。更多还原     

时间序列分析在地下水位动态预测中的应用

运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。     

应用优化神经网络算法预报地下水位

根据地下水及其影响因素之间存在的映射关系，在BP网络模型的基础上，提出一种Levenberg-Marquart优化神经网络算法，并用于地下水位的预测．与传统的BP算法相比较，该算法的预测精度较高，计算结果稳定性好，收敛速度快．     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型。在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量。最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测。预测精度比单纯用人工神经网络方法有较大提高。     

基于遗传算法优化BP神经网络的岩溶泉水位预测研究

我国北方岩溶大泉是集自然、文化和旅游等多种属性的重要自然资源,对北方岩溶地区经济社会发展有着重要的促进作用。为了精确预测岩溶泉的动态变化趋势,为岩溶泉资源保护提供支撑,基于2016-2018年趵突泉泉域的大气降水量、岩溶水开采量、人工生态补源量等数据,分别构建了6种BP神经网络以及采用遗传算法优化的BP神经网络预测模型,评价了不同预测模型对趵突泉水位的预测效果。研究表明：与BP神经网络相比,将GA算法得到的权值和阈值作为BP神经网络初始值可以很好地提高神经网络预测的稳定性,同时可以大大减少神经网络迭代次数,从而节省大量的计算成本;采用Levenberg-Marquardt训练方法的GA-BP(LM)网络模型具有稳定性高、计算成本低、预测误差小的特征,更适用于岩溶泉水位的预测。     

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。     

基于改进BP算法的地下水动态预测模型

运用学习率自适应动量BP算法建立了吉林西部地下水埋深人工神经网络模拟预测模型。首先利用自回归分析方法确定网络输入输出样本,而后应用“试错法”确定隐含层节点数,最终建立了6∶10∶1的ANN地下水动态模拟预报模型,最后应用VB语言依据改进BP算法编制计算程序进行模拟计算。通过对模型检验可知该模型模拟和预测精度均较高,完全可应用于地下水位动态预报。2002年以后的预报结果表明该地区地下水位持续下降,应及时加以控制。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。