支持向量机在地基沉降预测中的应用

尝试把最近发展起来的支持向量机(SVM)引入地基沉降的预测中.支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.本文提出了基于支持向量机的地基沉降预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的地基沉降预测模型.以实例数据为学习样本和测试样本,讨论了基于支持向量机的地基沉降预测的方法及其可行性.研究表明,支持向量机可以很好地表达地基沉降与其影响因素之间的非线性映射关系,用支持向量机方法来预测地基沉降是可行的.它为预测地基的沉降提供了一种新的方法.     

大型粮仓建筑高强混凝土强度预测的遗传支持向量机方法研究

考虑影响混凝土强度的主要因素,基于遗传算法与支持向量机回归原理,建立高强混凝土强度预测的支持向量机模型.该模型利用遗传算法来搜索最佳向量机及核函数参数,以实测混凝土强度数据为样本进行训练,并对测试样本进行预测.结果表明,遗传支持向量机方法泛化能力强,预测精度高,是大型粮仓建筑高强混凝土强度预测的一种有效方法.     

支持向量机增量学习在污染预测中的研究

支持向量机增量学习方法是在回归支持向量机的基础上,在加入新增样本时有效利用历史训练结果,避免样本的重复训练,得到较准确的分类结果,其回归预测优于传统方法。工业污染预测能够及时预测工业污染物的变化,有效防止污染事故的发生。将一种改进的支持向量机增量学习方法用于工业污染预测中,通过实验结果证明:支持向量机增量学习能够较准确地预测废气污染浓度变化趋势,为工业污染预测提供了新的方法。     

基于LS-SVM的光纤智能结构损伤诊断

针对目前结构损伤诊断方法的局限以及最小二乘支持向量机算法优点,提出采用最小二乘支持向量机来对光纤智能结构损伤位置识别进行研究,并在Matlab中编制了相应的支持向量机程序,建立了相应损伤诊断模型.以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的光纤智能结构损伤诊断可行性.试验研究结果表明,基于最小二乘支持向量机光纤智能结构损伤诊断识别方法具有较高的可靠性和精度且操作方便,是一种性能优良的智能识别方法,为智能结构实现损伤自诊断提供了更为先进的方法.     

基于PSO-SVM的侵彻效果预测方法

准确预测弹丸参数变化时的侵彻效果,对作战效果评估和战斗部设计都具有重要作用.针对当前方法存在的问题,提出了一种基于粒子群优化支持向量机算法的动能弹侵彻混凝土靶的侵彻效果预测方法.通过对训练样本的学习,在支持向量机中可以形成输入量到输出量之间的智能映射关系,完成训练后的支持向量机根据新的输入量可以解算出对应的侵彻深度.为了获得更好的预测效果,使用粒子群优化算法改进了支持向量机的结构参数.最后进行了预测测试,结果表明本文方法的相对预测误差为4%,可以满足工程需要.     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

预测砌体墙板开裂模式的支持向量机方法

为探索一种简单易行、精度良好的砌体墙板开裂模式预测方法,建立了一个预测面外均布荷载下砌体墙板开裂模式的支持向量机方法:对砌体墙板试验开裂模式进行特征提取,获取开裂模式先验知识;对提取的开裂模式特征进行数值化定义,得到描述开裂模式的特征值;应用支持向量机学习这些试验墙板开裂模式的特征值;应用学习/训练后的支持向量机模型,对新墙板进行开裂模式的预测.对该支持向量机方法的验证,分别考察了3种情况:三边支撑墙板、四边支撑墙板、混合两种支撑的墙板.结果表明所建立的支持向量机方法,能够基于试验墙板开裂模式,较精确地预测新墙板开裂模式.     

基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法.该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题.又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用.     

基于壳向量的线性支持向量机快速增量学习算法

提出了一种新的基于壳向量的增量式支持向量机快速学习算法.在增量学习的过程中，利用训练样本集中的几何信息，在样本中选取一部分最有可能成为支持向量的样本--壳向量，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集，再进行支持向量训练.这在很大程度上减少了求取支持向量过程中的二次优化运算时间，使增量学习的训练速度大为提高.与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比，使用该算法使分类精度得到了提高.针对肝功能检测标准数据集（BUPA）的实验验证了该算法的有效性.     

Cubic meter compressive strength prediction of concrete

In order to improve the prediction accuracy of compressive strength of concrete,103 groups of concrete data were collected as the samples.We selected seven kinds of ingredients from the concrete samples, using Grid-SVM, PSO-SVM, and GA-SVM models to establish the prediction model of cubic meter compressive strength of concrete.The experimental results show that SVM model based on Grid optimization algorithm,SVM model based on Particle swarm optimization algorithm,SVM model based on Genetic optimization algorithm mean square error respectively are 0.001, 0.489 8, and 0.304 2, correlation coefficients are 0.994 8, 0.994 6, and 0.993 0. It is shown that cubic meter compressive strength prediction method based on Grid-SVM model is the best optimization algorithm.     

基于优化参数的LS-SVM模型的股票价格时间序列预测

为有效预测股票数据,提高投资者的股市投资能力,降低投资风险,提出一种基于优化机器学习方法的股价时间序列预测方法。对股票序列进行了主成分分析,提取累积贡献率大于95%的主成分作为输入变量,并对比了优化核函数宽度g和正则化参数γ后的LS-SVM和SVM模型的预测效果。运用的支持向量机技术经遗传算法优化参数后,降低了预测的均方误差,提高了预测效果和效率,较其他非线性预测方法,具有泛化能力好、鲁棒性强、预测精度高等优点。最后给出了实证结果分析和研究结论,对有效预测股票数据有一定现实指导意义。     

深基坑变形预测的进化支持向量机模型

提出了深基坑变形预测的进化支持向量机方法。利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力。利用优化后的模型对基坑实例进行了变形预测,并将预测结果与监测结果进行了对比。研究结果表明,该模型与神经网络模型相比,具有预测精度高、泛化能力强等优点,对基坑安全监控具有实用价值。     

新型高光谱图像的超分辨率制图方法

由于高光谱图像的应用在很大程度上受限于其较低的空间分辨率,为此提出了一种结合支持向量机和小波变换的高光谱图像超分辨率制图方法．先对高光谱图像进行光谱解混得到分量图,然后对分量图进行一级小波分解．各局域窗内中心像元的3个高频系数与邻域像元低频系数之间的对应关系表示为训练样本,用于支持向量机的学习．训练好的模型用来对低分辨率图像即分量图进行超分辨率制图．实验表明,这种借助小波变换来获取训练样本的学习方法无需先验信息,相比采用BP神经网络学习的方法,支持向量机的超分辨率制图效果更佳．     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于样本自举的电力变压器状态评估

针对传统数据学习型方法需要大量故障历史实测数据的缺点,提出一种基于数据样本自举的电力变压器状态评估方法．通过对变压器的故障样本数据进行自举扩充,克服了工程中某类样本数据较少的问题,提高了学习型分类器的训练量,从而提高其预测分类的精度．并基于支持向量机分类方法进行变压器故障分类评估,显著提升了评估精度．