基于GAMPSO-SVM的大坝变形监控模型

建立合理的安全监控模型对实测资料进行实时分析和处理对大坝的安全运行有着重要意义.近年来,支持向量机(SVM)在建立监控模型中得到了广泛应用.但参数的选取对SVM模型的精度有相当大的影响.为了提高参数选择的精度,在标准粒子群算法(PSO)的基础之上,提出了一种加入高斯扰动项的变异粒子群优化算法(GAMPSO),对支持向量机的参数进行寻优,建立了基于GAMPSO-SVM的大坝变形监控模型,并进行工程实例验证.结果表明,该模型能有效避免陷入局部最优,具有更好的预测精度和泛化能力.     

支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于人工蜂群算法的大坝变形支持向量机预测模型

为了解决支持向量机(SVM)参数优化方法在大坝变形预测中易陷入局部最优解的问题,利用人工蜂群(ABC)算法的强全局优化能力、强鲁棒性特点,将人工蜂群(ABC)算法运用到SVM参数优化中.将惩罚因子C和核函数σ作为ABC算法中的蜜源位置进行寻优,并运用到大坝的变形监测中.结果表明,基于人工蜂群算法的大坝变形支持向量机预测模型能够克服局部最优解,提升模型的拟合与预测精度.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

基于支持向量机算法的连铸漏钢预报模型研究

漏钢预报系统的性能往往取决于其算法模型的性能,支持向量机(SVM)算法在解决小样本、非线性及高维模式识别中具有许多特有优势,能够避免神经网络隐含层节点选择及局部极小值等问题,而不同的SVM算法参数往往会对其性能产生显著影响。为此,本文利用GS网格搜索法、PSO粒子群算法和GA遗传算法对SVM支持向量机的算法参数进行了优化,并将优化后的SVM支持向量机算法应用到连铸漏钢预报系统中;利用某钢厂CSP连铸生产线的历史生产数据对各优化后的SVM支持向量机算法进行了训练和测试。测试结果表明,用GA遗传算法优化后的SVM支持向量机算法测试效果较好,得到了98.33%的预报率和100%的报出率,从而验证了基于SVM支持向量机漏钢预报系统的可行性和有效性。     

基于SVM理论的大坝变形监测模型改进方法研究

分析与处理大坝变形监测资料对于大坝安全运行意义重大.支持向量机(SVM)能够有效解决高维数的非线性问题,并且具有良好的泛化能力.以SVM理论为基础,建立大坝变形监测模型,并在此基础上研究其改进方法.改进思路为充分利用马尔科夫链适用于原始监测数据波动大的优势,对其残差进行处理;同时考虑到核参数和惩罚因子的选择对SVM模型有很大影响,采用改进粒子群算法对其参数进行寻优.通过实例分析比较各种改进方法,结果表明,提出的对SVM模型的改进方法可以提高预测的泛化能力及精度.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

PSO-GM模型在拱坝变形预报中的应用

用PSO-GM模型来预测了拱坝变形情况.该模型通过粒子群算法优化灰色模型中背景值的权重系数r和指数灰元N,既保留了灰色模型要求样本数据少、短期预测精度高、可检验等优点,又弱化了线性GM(1,1)模型对累加生成的数据序列须成一定指数规律变化的要求,从而更具普遍性.通过工程实例计算验证可知,PSO-GM模型无论拟合精度还是预测精度都较一般线性灰色GM(1,1)模型好,可以为坝体位移监测提供参考.     

基于GM（1．1）模型的尾矿坝变形趋势预测

尾矿坝变形趋势预测是矿山尾矿库安全技术管理的重要内容．为了实现对尾矿坝变形趋势的预测，在深入分析尾矿坝变形机理并充分认识尾矿库工程系统及坝体变形数据特性的基础上，采用灰色GM（1．1）模型对尾矿坝的变形进行预测，并结合某金矿尾矿坝变形监测实际数据进行预测．结果表明，模型精度满足要求，灰色GM（1．1）模型用于尾矿坝变形趋势预测具有很好的适用性．     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

基于GM（1,1）模型的变形预测研究

变形监测是大型建筑物、构筑物安全运营的保障性工作,而要避免灾害的发生,则需要进行相应的预测预警。从变形监测理论出发,探讨了当前变形预测的模型,开发了基于MATLAB的GM（1,1）模型计算程序,结合某沉降变形监测数据进行了预测分析,给出了预测精度评价和对比图,对GM（1,1）模型在变形预测中的应用是一次很好的实践。     

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM （1,1）灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM （1,1）模型。为了进一步提高大坝沉降变形的预测精度,对原始GM （1,1）模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进。实例应用表明,加权改进的GM （1,1）模型和函数变换改进的GM （1,1）模型的预测精度均优于原始GM （1,1）模型。     

特高拱坝变形监测的分区及其模型构建方法

面板数据模型考虑了测点间的联系和异质性,引入面板数据模型构建特高拱坝的分区安全监测模型。通过实测温度的主成分分析,筛选得到典型实测温度变量;融合主成分分析和层次聚类法,提出基于监测时间序列的变形测点分区方法;以此建立各分区面板数据,通过检验确定面板数据模型类型,构建基于实测温度的分区变形测点的回归模型;通过分区及其回归模型的截距项、变量系数等的对比分析,识别各分区及坝体空间变形特征。以初期运行期的某特高拱坝为例,将研究测点分为4个区,构建各分区的固定效应回归模型。结果表明,坝体变形符合客观规律,封拱后坝体非稳定温度场、初期运行期时效等因素对坝体变形影响明显。     

动态调整GM(1,1)发展系数的预测优化算法

在灰色预测GM(1,1)算法的基础上,针对小样本、穷信息、不确定性和以时间为序列的特征数据,运用限定条件下的随机非线性规划方法、动态调整GM(1,1)算法均质生成数列中的发展系数,构建一套优化预测模型,藉此提高算法的数据预测精度.结果表明:优化算法的预测结果精确度高,在数据预测方面,优于传统的GM(1,1)算法.