基于支持向量回归的锅炉出水温度时间序列预测

燃煤供热锅炉系统是一个非线性复杂系统,在实际应用中存在诸多优化问题.本文在分析锅炉系统工作过程及控制系统结构的基础上,结合锅炉参数的时序性特点,对时间序列进行相空间重构,构建训练样本数据对并建立基于支持向量回归的时序数据预测模型,从而实现对锅炉输出参数(出水温度)的预测.实际系统数据的仿真表明,该模型预测结果基本符合实际运行情况,可以为相关人员进行锅炉优化控制提供决策支持.     

时间序列分析在变形监测中的应用

介绍了时间序列的基本原理,给出了时间序列分析的ARMA、ARIMA两种基本模型,介绍了自相关函数、偏相关函数以及其性质。总结归纳了时间序列分析的建模步骤。最后用时间序列分析处理了某市某一变形监测点,并且与回归分析做了比较。比较表明,时间序列分析用于动态的时序预测具有较好的效果,20期预测误差的绝对值均小于0.002mm。并且其建模过程与回归分析法相比,较为简单,是处理动态数据的一种非常有效的方法。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

时间序列分析与频谱分析联合用于变形监测分析与预报

变形监测技术和理论在不断地进步和发展,很多优秀的方法被应用到变形监测数据处理方面。本文是基于时间序列法和频谱分析法对沉降观测数据进行处理,主要研究如何使用时间序列法和频谱分析法对变形监测数据进行处理和分析,并对未来短期内的变形趋势进行预测。首先从时序分析法入手,对数据进行处理、分析以及预测;然后再将频谱分析法融入到时序...     

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SVM的混沌时间序列预测模型应用研究

混沌时间序列预测是混沌理论的一个重要应用领域和研究热点,目前它在信号处理、自动化控制等领域中已得到了广泛的应用。本文联系支持向量机(SVM)和混沌时间序列预测的相关理论,建立基于二者的变形序列预测模型。同时,结合具体实例从变形时间序列的混沌识别、相空间重构以及预测模型的参数优化等方面探讨了模型的具体建立过程。实验结果表明,该模型的预测精度要优于BP神经网络。     

基于支持向量机回归法的绝缘子污闪电压预测研究

为探讨污闪电压的有效预测方法,采用支持向量机回归方法,建立盐密、灰密与污闪电压的关系模型,对污闪电压进行预测。实例分析表明,其预测结果与实测结果的误差很小,表明支持向量机是一种非常有前景的预测工具。     

基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

基于灰色时间序列组合的隧道变形预测研究

随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。     

基于主成分分析与支持向量回归的MOV劣化状态诊断研究

基于主成分分析(PCA)和支持向量回归(SVR)构建诊断模型,探索性的预测MOV器件在遭受浪涌后的劣化状态。研究过程：前期分别对数个MOV进行多脉冲冲击实验,记录器件在每次冲击前后的各项电参数,随后通过主成分分析得到每个MOV的劣化数值变化曲线,并结合对实际器件损伤情况的判断来确定完全损坏阈值点,最后基于支持向量回归算法在实验训练集上构建关于MOV劣化状态的诊断模型并使用测试数据进行检验。检验结果表明,构建的模型在接收一组遭受冲击后的MOV电参数数据作为输入后,可以较为精准的输出表征其劣化状态的数值量(0～1范围内),与实际劣化值相比,计算得到均方根误差为0.081。为在实际电气系统中对MOV器件的劣化监测预警提供了一种新的方法思路。     

悬臂梁损伤的支持向量机识别研究

针对结构损伤识别中,损伤与其影响因素之间的复杂非线性关系,提出了结构损伤识别的支持向量机方法。支持向量机是一种基于统计学理论的机器学习算法,本文以模态频率作为损伤标识量,通过支持向量机建立了损伤程度和频率之间的支持向量机模型,并以悬臂梁的损伤为例进行了计算分析,结果表明提出的方法是科学,可行的。     

地铁隧道联络通道初支变形风险控制技术研究

在地铁隧道建设中,常在上下行隧道中间段设置联络通道。联络通道的设置增加了隧道的安全系数,因此也称为“逃生通道”。联络通道通常在主体隧道完成后施工,一定程度上会对主体隧道和周围的环境产生影响。施工中常将废水泵房与联络通道的合并进行,而泵房的设计相对保守,施工工艺受空间所限,也更容易造成风险。因此,采取有效措施确保开挖安全显得至关重要。本文以武汉地铁某区间隧道联络通道初支变形风险处理为例,使用回填反压、初支加固、底板加快施工的方法,为类似工程积累风险控制技术。     

应用时间序列分析和非线性回归对沉降过程进行综合建模与预报

本文将时间序列分析和非线性回归用于沉降过程的综合建模与预报,给出了时间序列模型识别、预报的方法,以实测数据为例说明应用此法的全过程,并对计算结果进行了比较分析,证明了该方法的可行性。     

基于灰色系统与逐步回归及二者组合的大坝变形分析模型研究

介绍了灰色系统模型GM（1,1）、逐步回归原理与最优加权组合模型,并针对某大坝的监测数据利用MATLAB语言编程和SPSS Statistics建立GM（1,1）模型、逐步回归模型与最优加权组合模型,对原始监测数据进行模拟预测,通过实验数据对比分析,最优加权组合模型的综合精度较高,对大坝变形分析研究有一定意义。     

基于模糊支持向量机的岩石抗剪强度参数确定方法研究

针对岩石抗剪强度参数具有随机性与模糊性的特点,提出一种基于试验样本到超平面距离作为隶属度函数的模糊支持向量回归方法,通过更加合理地设计隶属度函数,提高支持向量机的稳健能力,得到最优的参数估计。在此基础上,对岩石抗剪强度参数进行建模仿真,并进行估计。结果表明,基于模糊支持向量回归的方法与最小二乘法、随机-模糊法相比,不仅能减少异常试验数据对岩石抗剪强度参数的影响,而且得到的回归方程更符合试验样本整体分布,可反映岩石力学参数固有属性。     

基于SVR的城市供水管网余氯预测分析

支持向量机回归(SupportVector Regression SVR)算法是结构风险最小化原理在函数回归方面的应用。根据北方某城市供水管网余氯的人工采样数据,建立了基于SVR的余氯预测模型,并与人工神经网络、多元线性回归方法进行比较分析,结果表明:在有限样本情况下,SVR模型具有良好的泛化推广能力,各监测点模型预测平均相对误差为1.80%~8.73%,并可获得全局最优解,达到了实用要求,较好地解决了以往管网余氯小样本预测时,常常出现拟合精度高、预测效果较差的问题。     

基于改进SVM的隧道位移监测非线性预报模型

在隧道工程中,位移变形监测是一个重要环节,然而监测数据往往呈现出较为复杂的非线性特征.以铜黄高速公路大田双连拱隧道施工为背景,在支持向量机算法的基础上,采用变量轮换法对其参数进行优化处理,从而呈现了监测数据复杂非线性特征并建立隧道位移监测时间序列非线性模型.利用此模型对未来的位移变形做出精确的预报,科学地指导现场监测和施工建设.     

火驱地面尾气处理工艺进展

地表覆盖分类是土地利用和土地资源管理的基础,由于地表覆盖情况十分复杂,且受温度、季节等影响较大,难以做到准确分类。为此,本文提取一种基于时序植被指数的地表覆盖聚类新方法,利用不同月份的影像,提取时序NDVI数据,并对其进行聚类分析,得到较好的地表覆盖分类结果。实验表明,该方法分类精度远可达89．76％,高于单幅影像分类结果。     

Support vector regression for on-line health monitoring of large-scale structures

Large-scale, structural health monitoring remains a challenge especially when I/O measurement data are contaminated by high-level noise. A novel approach that uses incremental support vector regression (SVR), a promising statistics technology, is proposed for large-scale, structural health monitoring. Due to the potential properties of this novel SVR, the SVR-based approach makes structural health monitoring accurately and robustly. A sub-structure strategy is utilized to reduce the number of unknown parameters in the health monitoring formula, thereby making large-scale structural health monitoring possible. Lastly, an incremental SVR training algorithm adopted for the SVR-based approach not only markedly reduces computation time, but identifies structural parameters on-line. Numerical examples show that results of this SVR-based approach for large-scale structural health monitoring are accurate and robust, even when observed data are contaminated with different kinds and intensity levels of noise.