大坝变形预测的支持向量机模型

支持向量机在解决非线性及高维模式识别问题中表现出其特有的优势。针对大坝变形具有强非线性的特点以及传统神经网络模型预测时存在局部极小与过学习等问题,将支持向量机应用于大坝变形预测。以某大坝的变形监测数据为例,建立SVM预测模型,将支持向量机模型与神经网络模型进行比较分析。结果表明,该模型具有较高的精度,可以很好地应用于大坝变形监测分析。     

深基坑变形预测的支持向量机方法

提出了一种预测深基坑变形的新方法支持向量机，可很好地表达深基坑变形与其影响因素之间的非线性映射关系，并应用该方法建立了相应的模型，预测结果表明，利用该方法进行深基坑变形是可行的、有效的。     

向量机分析在深基坑变形监测预测中的应用

位移监测预报在深基坑工程信息化设计与施工中具有非常重要的意义。文中针对深基坑工程变形监测预报问题,将最小二乘支持向量机(LS-SVM)时间序列分析应用于深基坑工程的变形预测,最后用实例论证了最小二乘支持向量机(LSM)方法用于基坑工程变形预测的可靠性和实用性。     

基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

基于粒子群—拉格朗日支持向量机方法的地下厂房变形预测分析

针对地下厂房拱顶非线性变形问题,应用粒子群—拉格朗日支持向量机方法对地下厂房拱顶变形进行预测分析;针对各影响因子之间相互影响、相互干扰的问题,用拉格朗日支持向量机来表征荷载—变形之间的非线性及荷载之间的耦合关系,与标准支持向量机相比极大的提高了计算速度;同时针对拉格朗日支持向量机对参数取值敏感问题,提出利用粒子群算法对相关参数进行搜索优化以达到最佳拟合效果。该方法应用到地下厂房拱顶变形预测中,用来预测某地下厂房的拱顶变形,结果表明:该方法拟合度较高,预测误差在1 mm内,误差较小,满足工程设计要求。     

基于SVM的高层建筑变形的时间序列预测

介绍了支持向量机回归原理,建立了某高层建筑变形的时间序列预测模型,并采用网格搜索法对模型参数进行选择,保证模型的泛化能力.实验结果证明,和BP神经网络相比,支持向量机有更好的预测精度.     

SVR-Markov复合模型在采空区地表沉降预测中的应用

提出了一种支持向量回归机(SVR)-马尔科夫(Markov)复合预测模型,该模型能够更好地反映采空区地表沉降规律,能够比较准确地预测地表沉降量。通过碾子沟煤矿采空区治理工程监测数据与支持向量回归机-马尔科夫复合预测模型与支持向量回归机模型进行对比,证明马尔科夫复合预测模型能够在支持向量回归机模型的基础上提高采空区地表沉降预测的精度。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...     

基于支持向量机的露天矿边坡地表变形预测

在充分考虑露天矿边坡地表变形影响因素复杂性的前提下,基于丰富的地表变形监测资料,建立了露天矿边坡地表变形预测的支持向量机（SVM）模型,并采用遗传算法对核函数和惩罚因子进行确定.将该模型应用于抚顺露天矿边坡地表变形的预测,预测结果最大误差为3.014 cm,表明该模型是定量预测露天矿边坡坡肩地表变形量的一种有效方法.