基于组合核函数的高斯过程边坡角智能设计

高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。     

滑坡位移时序预测的核函数构造

获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。     

基于正交设计下SVM滑坡变形时序回归预测的超参数选择

超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。     

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

基于多核模式的隧道沉降预测

为提高支持向量机的预测精度,提出一种基于自适应多核学习模型的预测方法。自适应多核学习算法中采用树形筛选结构,通过生枝、剪枝操作完成核函数间的相加、相乘处理,增强了多核函数的非线性与多样性。采用网格遍历和粒子群算法对核参数、权重系数及模型参数进行寻优处理,弥补了训练样本缺少先验知识对参数赋值产生的偏差。将多核学习方法用于地铁隧道沉降预测,并与单核函数的预测数值进行对比。试验结果表明,自适应多核学习模型有效提高了预测模型的预测精度及泛化性能。     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

滑坡位移的多模态支持向量机模型预测

将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

基于支持向量机-马尔可夫链的位移时序预测

结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。     

Evaluating the support vector machine for suspended sediment load forecasting based on gamma test

Due to the various influencing factors on river suspended sediment transportation, determining an appropriate input combination for developing the suspended sediment load forecasting model is very important for water resources management. The influence of pre-processing of input variables by Gamma Test (GT) was investigated on performance of Support Vector Machine (SVM) with two kernels; Radial Basis Function (RBF) and polynomial in order to forecast daily suspended sediment amount in the period between 1983 and 2014 at Korkorsar basin, northern Iran. The best input combination was identified using GT and correlation coefficient analysis. Then, the SVM model was developed and the suspended sediment amount was forecasted with RBF and polynomial kernels. The obtained results in testing phase showed that GT-SVM (RBF kernel) model can estimate suspended sediment more accurately with the lowest RMSE (14.045 ton/day), highest correlation coefficient (0.88) and highest NSEC coefficient (0.88) than SVM (RBF kernel) model (RMSE?=?18.36ton/day, \( {R}^2=0.79, \) \( NSEC=0.73 \)) and had a better performance than the other models. The results indicated that in forecasting the first nine maximum values of suspended sediment load, GT-SVM (RBF) had a higher capability than the other models and could provide a more accurate estimation from the maximum rate of suspended sediment. The results of this study showed the capability of identifying the priority of the input parameters can change GT to a useful and technical test for input variables pre-processing to forecast the amount of suspended sediments.     

基于MPSO的RBF耦合算法的桩基动测参数辨识

变异粒子群优化算法（MPSO）是一种基于群体智能的改进全局优化技术,其优势在于减小陷入局部极值的机率,增加全局搜索能力。将变异粒子群算法与径向基函数（RBF）神经网络结构进行结合,建立了变异粒子群神经网络（MPSO-RBF）耦合算法,充分发挥了MPSO算法的全局寻优能力和RBF算法的局部搜索优势。数值计算结果表明,所建立的方法能够对桩基动测进行多参数的识别和非线性优化问题的求解,具有良好全局收敛能力,是一种行之有效的智能算法。     

Two-dimensional sensitivity kernels for cross-correlation functions of background surface waves

Ambient noise tomography has now been applied at scales ranging from local to global. To discuss the theoretical background of the technique, a simple form of a two-dimensional (2-D) Born sensitivity kernel was developed at a finite frequency for a cross-correlation function (CCF) of background surface waves. The use of far field representations of a Green’s function and a CCF in a spherically symmetric Earth model, assuming a homogeneous source distribution, is an efficient approach to the calculation of phase sensitivity kernels. The forms of a phase sensitivity kernel for major and minor arc propagations are the same as those for phase-velocity measurements of earthquake data. This result indicates the validity of ambient noise tomography under the given assumptions; however, the kernels are not equivalent in the case of an inhomogeneous source distribution.     

边坡局部和整体稳定性评价方法的辩证统一

边坡稳定性评价方法有局部和整体两类,两者之间存在差异有其历史的局限性和存在的合理性。以极限平衡法和有限元强度折减法为例,分析了典型整体与局部稳定性评价方法在滑面搜索、平衡条件、安全系数的定义、材料参数和失稳等5个方面存在的异同。利用PFC算例揭示了真实边坡带有强烈空间和时间特征的渐进破坏特性,发现边坡失稳是自然地形的重塑、再造和稳定的过程,也是一个动势能转换和耗散的过程。针对边坡稳定问题及其特点,提出了基于广义软化的边坡稳定矢量和法的理论构架和技术路线,并进行了程序实现,克服了传统强度折减脱离实际材料劣化特征的不足,安全系数求解仅与应力状态相关,假设条件少,可以实现局部与整体稳定评价的辩证统一,可以反映边坡失稳的渐进特性和参数演化的时空效应。与传统极限平衡法(LEM)和强度折减法(SRM)在滑面和安全系数方面的综合对比发现,局部稳定揭示的滑面更稳定,获取的安全系数是全周期的,文中方法所得安全系数比整体方法的结果稍高,差异是整体方法的假设条件造成的。     

边坡可靠度分析的支持向量机法

提出了基于支持向量机（SVM）的边坡可靠度分析新算法。该方法采用均匀设计确定样本点,通过一定数量的确定性计算来训练SVM,拟合边坡的功能函数;采用一阶可靠度方法（FORM）和迭代算法优化SVM模型,获得可靠度指标和验算点信息;在SVM模型基础上进一步通过二阶可靠度方法（SORM）和蒙特卡罗模拟（MCS）计算边坡的失稳概率。以两个典型边坡为例,通过与其他方法比较,证明了该方法的准确性和高效性。结果表明：提出的在标准正态空间（U空间）中取样并构建SVM,在原始空间（X空间）中计算功能函数的算法,有效地解决了具有相关非正态分布变量的可靠度分析问题,并且可很容易扩展到SORM的计算。算例结果证明,该方法的精度高于FORM;而效率优于MCS。分析过程中,边坡安全系数计算和可靠度分析相互独立。因此,该方法既适用于具有显式功能函数的简单问题,也适用于需要软件计算安全系数的实际边坡问题。     

Back-propagation neural network and support vector machines for gold mineral prospectivity mapping in the Hatu region,Xinjiang, China

Machine Learning technologies have the potential to deliver new nonlinear mineral prospectivity mapping (MPM) models. In this study, Back Propagation (BP) neural network Support Vector Machine (SVM) methods were applied to MPM in the Hatu region of Xinjiang, northwestern China. First, a conceptual model of mineral prospectivity for Au deposits was constructed by analysis of geological background. Evidential layers were selected and transformed into a binary data format. Then, the processes of selecting samples and parameters were described. For the BP model, the parameters of the network were 9–10???1; for the SVM model, a radial basis function was selected as the kernel function with best C?=?1 and γ = 0.25. MPM models using these parameters were constructed, and threshold values of prediction results were determined by the concentration-area (C-A) method. Finally, prediction results from the BP neural network and SVM model were compared with that of a conventional method that is the weight- of- evidence (W- of- E). The prospectivity efficacy was evaluated by traditional statistical analysis, prediction-area (P-A) plots, and the receiver operating characteristic (ROC) technique. Given the higher intersection position (74% of the known deposits were within 26% of the total area) and the larger AUC values (0.825), the result shows that the model built by the BP neural network algorithm has a relatively better prediction capability for MPM. The BP neural network algorithm applied in MPM can elucidate the next investigative steps in the study area.