基于遗传算法优化支持向量机的再生混凝土抗压强度预测模型

针对再生混凝土抗压强度预测问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的抗压强度预测模型。利用遗传算法对SVM的参数进行优化,并得到优化的SVM预测模型。仿真试验结果表明:与BP神经网络和传统SVM的预测结果相比,基于遗传算法优化支持向量机模型的预测精度更高。     

基于蚁群优化支持向量机的公路隧道围岩变形预测模型及应用

为及时掌握隧道施工中围岩变形趋势以便采取措施加以控制,采用基于结构风险最小化的支持向量机(SVM)进行预测。介绍支持向量机的基本原理,研究蚁群算法(ACO)实现支持向量机参数优化的方法,构建ACOSVM模型。对某公路隧道随机选取的2个监测断面的预测结果表明,该模型预测精度较高,泛化性能较好,用蚁群算法进行SVM参数优选是一种简单、优选的方法,可以有效指导隧道的施工。     

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

一种新的GPS高程拟合方法及其在京哈高速公路测量中的应用

基于BP神经网络法和最小二乘支持向量机(LS—SVW),提出一种新的针对道路控制测量的GPS高程拟合方法。选择高斯函数作为其核函数,将其应用至京哈高速过境段的控制点测量中,并将高程拟合结果与BP神经网络、平面拟合、最小二乘法、GA—GRNN、LS—SVM二次曲面和三次样条曲线拟合法等高程拟合方法对比。结果表明,该模型具有拟合精度高、所需样本小、泛化能力强等特点,成功地解决了高维数、非线性、小样本等问题,是一种较适合于公路控制测量的GPS高程拟合方法,具有较高的推广价值。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于灰色支持向量机的连续梁桥线形控制研究

随着高速铁路的快速发展以及无砟轨道桥梁的建设要求,对于采用悬臂浇注施工的连续梁桥,对合龙精度以及成桥线形提出了更高的要求,需要对立模标高进行更加可靠的预测.传统的施工控制预测方法很难满足精度的要求,该文提出了通过灰色理论进行数据预处理,然后结合最小二乘支持向量机建立径向基核函数模型,对施工过程中悬臂端预拱度调整值进行预测,并与标准最小二乘支持向量机比较,以某一实际大跨度高速铁路连续梁桥为例,验证了灰色支持向量机应用于连续梁桥施工控制中的可行性和优越性.     

基于DAG-SVM的居民出行方式选择模型

提高居民出行方式的预测精度对于评价交通规划方案、交通策略的效果具有重要意义.应用心理学、行为科学的方法分析了出行决策的思维过程,将出行决策过程结构化,建立出行情景库,并采用主成份法分析了影响方式选择的主要因素,作为支持向量机模型的输入.利用统计学习理论分析了支持向量机与神经网络在建模原理上的区别,建立了基于有向无环图-支持向量机(DAG-SVM)的方式选择模型,阐述了模型的具体步骤.通过实验对不同核函数的预测效果进行了评价,并采用网格法和遗传算法进行参数寻优.结果表明,核函数选择径向基函数效果较理想,参数寻优方法上遗传算法比网格法效果更好.通过优化后,DAG-SVM模型的整体预测精度达到了82.3%,比神经网络提高了近9%.但对出租车出行的预测准确率略低于其他方式,这主要由于出租车常被作为特殊情况下的备选方式,其出行规律性相对较差.      

堤坝管涌发生的预测方法研究

分析了堤坝管涌发生的机理和影响堤坝管涌发生的重要因素,选取了8个实测指标作为预测依据,建立了距离判别分析模型和支持向量机法的堤坝管涌预测方法,并和神经网络方法进行了对比分析。通过对23个堤防管涌工程实例的研究表明,距离判剐法和支持向量机法预测模型性能良好。基于神经网络核函数和径向基核函数的支持向量机具有更高的预测精度,支持向量机法是解决堤坝管涌预测问题的有效方法,可以在实际中应用。     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于支持向量机的城市快速路交通拥堵识别方法

首先提出一种基于交通流量-交通密度的二维空间下的交通状态分类方法,在此基础上,构建对拥堵状态和非拥堵状态识别的支持向量机分类器;其次,设计基于支持向量机的城市快速路交通拥堵识别方法的步骤;最后,以西安市南二环快速路采集的交通参数数据为例,对比验证了在不同支持向量机(SVM)分离器下本文提出的城市快速路交通拥堵识别方法的有效性.研究表明:SVM线性核函数分类器的识别正确率(识别正确率均值为91.65%)高于多项式核函数等其他核函数分类器,说明交通拥堵识别的具有良好的线性可分性;不同核函数分类器的识别正确率均高于90%,说明本文设计城市快速路交通拥堵识别方法具有良好的识别性能.     

基于支持向量机的车牌字符识别

支持向量机(Support Vector Machines,简称SVM)能够有效地解决小样本学习、非线性及高维模式识别等问题。对此提出了在无特征提取情况下基于SVM的车牌字符识别方法,通过实验选定二次多项式作为核函数,并将基于SVM的车牌字符识别与基于BP神经网络的车牌字符识别进行了实验对比。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

SVM在缸套—活塞磨损状态监测中的应用研究

以发动机振动信号的5个时域及幅域特征(二次矩、四次矩、最大绝对值、时间二次矩和最大幅值点)为特征参数,以4类间隙值作为预测结果,建立了基于RBF核函数支持向量机(SVM)的缸套—活塞磨损间隙预测模型。通过仿真试验研究了核宽度σ和惩罚系数C对分类器性能的影响,结果表明,选择合适的σ和C值可以使分类器的性能达到最佳,为缸套—活塞磨损状态监测提供了一条新思路。     

基于SVR的汽油机过渡工况进气流量预测研究

针对目前汽油机进气流量预测精度不高的问题，分析支持向量回归机(SVR)应用在进气流量预测的可行性，提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势，采用灰色关联分析法(GRA)对模型的特征向量进行提取，并利用遗传算法(GA)对模型参数进行寻优辨识，以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测，并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明：SVR模型的预测值与试验值的误差控制在2%范围之内，有效实现了过渡工况进气流量的预测；与常规的RBF神经网络预测模型、BP神经网络预测模型相比，SVR模型具有更高的预测精度，适用于汽油机过渡工况空燃比的精准控制。     

随机放电工况下锂离子电池容量预测方法

针对锂离子电池容量预测精度不高的问题,提出一种基于人群搜索优化的支持向量机(seeking optimization algorithm-support vector machine, SOA-SVM)的容量预测方法。通过分析锂离子电池随机放电过程,构建反映容量变化的随机放电容量均值和标准差两个指标,并以此作为预测容量的特征参数。采用主成分分析法分析特征参数之间的相关性,并提取主成分。基于部分测试电池第1主成分和容量数据,采用SOA对SVM超参数进行全局优化并训练模型。采用优化后的模型结合其余电池第1主成分数据预测锂离子电池容量。预测结果表明,本文中提出的锂离子电池容量预测方法具有较高的预测精度。