支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

基于PCA-DDA原理的砂土液化预测模型及应用

影响砂土液化的因素有很多,建立多指标的液化预测模型非常有必要。目前所有的多指标砂土液化预测模型,均默认选取的判别因子之间相互独立,不存在相关性,可能导致各判别因子之间存在信息叠加而发生误判。以唐山地震砂土液化的25个案例为样本,选取8个影响因素作为砂土液化预测的初始判别指标,首先采用主成分分析（PCA）对各判别指标进行分析,对存在相关性比较高的指标进行了降维处理。基于降维后的4个主成分换算得到新的样本数据,以18个案例为学习样本,建立主成分分析与距离判别分析（DDA）相结合的砂土液化预测模型。利用建立的预测模型对18个案例进行回判,结果全部正确。对其他7个案例的液化情况进行了预测,并与规范法、Seed方法、BP法、DDA法的判别结果进行分析比较,结果表明基于主成分分析与距离判别方法的砂土液化判别模型预测准确率为100%。将模型应用于工程实例,判别结果也与实际情况一致,表明该模型具有良好的预测功能,可在实际工程中应用。     

饱和砂土地震液化判别的可拓聚类预测方法

基于可拓学的物元模型和聚类分析原理,提出了饱和砂土地震液化判别的可拓聚类方法。选取地震烈度、震中距、砂层埋置深度、地下水位、标贯击数、平均粒径、不均匀系数和动剪应力比等8个影响因素,作为饱和砂土地震液化的评价因子,构建了经典域物元和节域物元。应用物元理论和可拓集合中的关联函数,建立预测模型,通过聚类分析得到饱和砂土地震液化的判别结果。实例研究表明,该模型能客观地反映砂土的液化规律,可拓聚类预测方法应用于饱和砂土地震液化判别是有效可行的。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

基于判别分析法的地震砂土液化预测研究

将距离判别分析方法应用于砂土液化的预测问题中,建立了砂土液化预测的距离判别模型。选用震级、研究深度、震中距、标贯击数、地下水位及地震持续时间等6项指标作为判别因子,以大量的工程实例数据作为学习样本进行训练,建立了线性判别函数对待评样本进行了评价。研究结果表明,距离判别分析模型判别砂土液化效果良好,预测准确度高,回判估计误判率低,可望成为砂土液化预测的有效手段。     

基于数据挖掘的砂土地震液化预测模型研究

在对砂土地震液化各影响因素分析的基础上,引入整合式模糊聚类神经网络的数据挖掘模型.该模型以模糊系统为框架,结合聚类分析技术和神经网络模式,建立砂土液化与其影响因素之间的非线性关系.运用所建立的模型,对国内外400组砂土地震液化资料进行分析,来预测砂土液化现象.数据挖掘结果的误判率及分类矩阵表明,文章的系统模式在判断砂土地震液化时能取得较好的效果.     

岩爆分类的支持向量机方法

针对岩爆分类问题,提出了基于支持向量机的分类方法。通过对影响岩爆因素的分析,运用支持向量机理论建立岩爆类别的支持向量机模型。结果表明,基于支持向量机的岩爆分类方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

砂土地震液化预测的GA_SVM_Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。      

砂土液化预测的Fisher判别模型及应用

基于Fisher判别理论建立了砂土液化可能性的Fisher判别分析（FDA）模型。在分析砂土液化影响因素的基础上,选取烈度、震中距、地下水位、砂层埋深、标贯击数、平均粒径、不均匀系数、剪应力比等8个实测特征指标作为FDA模型的预测指标。利用砂土液化的实测数据作为训练样本进行训练,建立FDA模型对砂土液化进行预测,并用其他未参加训练的实测数据进行了验证。研究结果表明,FDA模型简便可行、预测精度高,是解决砂土液化预测问题的有效方法之一。     

基于支持向量机的地震属性优选及煤层气预测

为了充分发挥地震属性分析技术的优势,针对地震勘探中的小样本事件,阐述了支持向量机原理,开展了基于支持向量机的煤田地震属性非线性优选的方法研究,并在煤层气含量预测中取得了良好的效果。结果表明:基于支持向量机(SVM)属性优选的煤层气预测效果比运用钻孔插值的效果更精确,较好地解决了小样本的学习问题,可作为煤层气预测的一种有效方法。      

Applicability of Statistical Learning Algorithms for Spatial Variability of Rock Depth

Two algorithms are outlined, each of which has interesting features for modeling of spatial variability of rock depth. In this paper, reduced level of rock at Bangalore, India, is arrived from the 652 boreholes data in the area covering 220 sq⋅km. Support vector machine (SVM) and relevance vector machine (RVM) have been utilized to predict the reduced level of rock in the subsurface of Bangalore and to study the spatial variability of the rock depth. The support vector machine (SVM) that is firmly based on the theory of statistical learning theory uses regression technique by introducing ε-insensitive loss function has been adopted. RVM is a probabilistic model similar to the widespread SVM, but where the training takes place in a Bayesian framework. Prediction results show the ability of learning machine to build accurate models for spatial variability of rock depth with strong predictive capabilities. The paper also highlights the capability of RVM over the SVM model.     

支持向量机对采空区稳定时间的预计

支持向量机是基于结构风险最小化原理的机器学习技术,在广泛收集金属矿山采空区失稳塌陷时间资料的基础上,建立了基于支持向量机的采空区稳定时间的预计模型。通过对采空区稳定时间测试样本的预测研究表明,用支持向量机来预计采空区的稳定时间是可行的。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

支持向量机在遥感数据分类中的应用新进展

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注.该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用.综述了支持向量机算法在遥感数据分类中的应用.首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用.     

基于混合核函数PSO-LSSVM的边坡变形预测

支持向量机（SVM）的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法（PSO）对最小二乘支持向量机（LSSVM）超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。     

SVM在地下工程可靠性分析中的应用

将支持向量机应用到地下工程可靠性分析中,通过将支持向量机分别与一阶二次矩和蒙特卡洛结合,提出了基于支持向量机的可靠性分析方法,利用数值模拟构造学习样本,通过支持向量机学习,建立变形与随机变量之间映射关系的支持向量机表达,进而实现隧道极限状态函数及其偏导数的显式表达,从而计算隧道的可靠性指标。该方法避免了传统可靠性分析的缺点。算例分析结果表明,该方法计算效率高、结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行...