基于小波分解和最小二乘支持向量机的大坝变形预测

文章针对大坝变形受多种不确定性因素的影响,提出一种基于小波分解和最小二乘支持向量机的大坝变形预测方法。利用小波将大坝位移序列分解成不同频率特征的子序列,根据分解得到的子序列特点,同时考虑水位和温度的影响,构造不同的最小二乘支持向量机模型对子序列进行预测,最后对各子序列预测值进行重构得到最终的预测值。实验对比分析表明,该方法对大坝变形的预测具有较高的精度。     

基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。     

用小波分析与灰色支持向量机预测高铁变形

针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

基于相空间重构的FOA-GLSSVM深基坑变形预测模型研究

针对LSSVM模型参数选择的随机性与单一变量序列高维度重构参数选择的困难性，将相空间重构理论、果蝇优化算法引入LSSVM模型中，建立基于相空间重构的FOA-GLSSVM变形预测模型。为了验证提出模型的有效性与可靠性，结合具体工程实例与GLSSVM、支持向量机模型及最小二乘支持向量机模型进行对比研究。结果表明，提出的模型精度更好、稳定性更强。     

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。     

加权复合分位数自回归模型在隧道围岩变形预测中的应用

提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。     

基于最小二乘配置法的优化GM（1,1）预测模型及其应用

针对灰色GM(1,1)预测模型预测结果精度低、模型缺乏稳定性的问题,基于最小二乘配置理论的GM（1,1)预测优化模型,首先通过使得生成序列新预测值的误差在最小二乘意义下最小,选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值;然后将优化的GM(1,1)模型和最小二乘配置理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建优化的灰色最小二乘配置预测模型;最后通过对建筑物的沉降数据进行定量分析与预报,与其他模型进行对比分析。     

灰色稳健总体最小二乘估计及高铁路基变形预测

最小二乘估计和部分变量误差模型的总体最小二乘估计不具备抵御粗差的能力。鉴于粗差可能同时出现在灰色白化微分方程的观测值和系数矩阵中，本文提出基于IGGⅢ抗差方案的部分变量总体最小二乘稳健估计。结合仿真数据和高铁路基观测数据，系统地比较稳健最小二乘、部分变量总体最小二乘、本文算法参数估计结果和算法稳定性。结果表明，本文算法预测精度高，可以应用到高铁路基沉降预测中。     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法，构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量，并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加，最终建立多尺度变形预测方法，并应用于大坝变形预测。实验结果表明，改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法，证实了新方法的有效性及可靠性。
     

基于SBAS-InSAR和GM-SVR的居民区形变监测与预测

采用合成孔径雷达时序分析方法，利用2016-12～2017-05(12 d为一个周期)连续13景哨兵卫星雷达影像对淮南矿区内的居民区杨聚庄进行形变监测。根据矿区形变特征，提出一种基于灰色支持向量机（GM-SVR）的组合预测模型对矿区形变进行预测，并与传统的单一灰色模型和支持向量机预测模型进行对比。结果表明，时序InSAR技术和GM-SVR模型的结合，可以实现对矿区形变的快速监测和灾害预防，为矿区灾害监测与预警提供了一种可靠手段。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

��̬�Ƚ�֧���������ڴ�ӱ���Ԥ���е�Ӧ��

???????????????????????и?????????С???????????????????????????????LS??SVM?????????????????????????????????????????????????????????????μ???LS??SVM??????????????γ??????LS??SVM??????????????д???????????????????Ч????     

基于小波分解与GA-LSSVM的GPS可降水量短临预报

针对GPS可降水量时间序列具有非线性、非平稳性的特征，研究一种基于小波分解（WD）、遗传算法（GA）和最小二乘支持向量机（LSSVM）的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量；然后利用遗传算法优化LSSVM参数，进而对各分量建立预报模型；再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验，并将预报结果分别与LSSVM和遗传小波神经网络（GA-WNN）预报结果进行对比。结果表明，该组合模型具有良好的泛化能力，可有效解决神经网络易陷于局部极小的问题，提高了全局预报精度。