人工冻土单轴抗压强度灰色理论预测

人工冻土的物理力学指标是冻结法凿井中冻结壁设计参数和开挖的依据,为提高人工冻土单轴抗压强度预测的精确度与稳定性,利用灰色理论处理小样本数据的独特优势,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度的预测方法。针对传统的GM（1,1）模型预测产生的较大误差的缺点,增加了原始序列的光滑度,并优化了时间响应函数,建立了改进的GM（1,1）模型。结果表明,利用改进的GM（1,1）模型的预测精度优于传统模型。该模型为人工冻土单轴抗压强度的预测提供了一种新方法。     

人工冻结的杭州饱和软土的单轴抗压强度特性

对人工冻结的杭州典型的饱和软土进行单轴抗压强度试验,分析了强度曲线的特征,得到冻结的杭州饱和软土强度随冻结温度,应变速率,土样干密度的变化规律,其结论对用冻土壁作为基坑围护的开发应用具有实际意义。     

基于粒子群优化算法的充填体单轴抗压强度预测研究

为快速有效确定充填体单轴抗压强度,以灰砂比、固体含量和养护龄期作为输入因子,充填体单轴抗压强度作为输出因子,建立一种粒子群优化算法(PSO),对支持向量机(SVM)参数进行全局优化的预测模型。结果表明,该模型预测性能较好,相关系数高(训练集为0.996,测试集为0.993),均方误差值低(训练集为0.000 393,测试集为0.000 726 13);通过室内试验对采集的216个试样进行预测与对比,证明模型可以准确地预测充填体单轴抗压强度,大幅度减少物理试验量及缩短试验周期,为矿山充填提供一种新思路。     

人工冻土单轴冲击压缩力学性能实验研究

冻土动态力学特性实验研究是冻土力学研究的重要内容之一.以重塑冻结黏土为例,利用分离式霍布金森压杆,得到了人工冻结黏土在冲击荷载作用下的破坏规律,研究了人工冻结黏土温度分别为-4℃,-8℃,-12℃和-16℃时,在不同应变率下单轴状态的变形特征和强度特征.研究结果表明,人工冻土在冲击荷载作用下呈脆性破坏特征,表现了较强的温度效应,但应变率效应不太明显.冻结黏土在冲击荷载作用下的动态力学特性研究为冻土开挖技术提供了理论支持.     

人工冻土蠕变非定常开尔文模型

为了更好地描述人工冻土的蠕变特性,将广义开尔文模型中的经典Newton黏壶中的黏滞系数定义为与时间有关的非定常参数,通过推算得到非定常开尔文模型,用粒子群优化算法识别模型中的参数。非定常开尔文模型能模拟不同应力下的蠕变试验数据,效果都很好,充分说明了该模型的合理性。目前采用非定常开尔文模型来研究人工冻土的蠕变规律的很少,此方法的提出为人工冻土领域的计算开辟了新思路。     

淮南顾桥矿东风井人工冻土力学性能试验分析

淮南顾桥煤矿东风井采用冻结法施工,为了提供表土层冻结参数以进行矿井设计,本文对风井井筒孔检查孔所取土样进行了人工冻结的单轴抗压强度、冻胀性能以及结冰温度试验研究,得到了其应力-应变、冻胀力和结冰温度等参数,试验结果为淮南类似矿井建设提供了设计基础.     

自适应GA-SVM参数选择算法研究

支持向量机是一种非常有前景的学习机器，它的回归算法已经成功地用于解决非线性函数的逼近问题．但是，SVM参数的选择大多数是凭经验选取，这种方法依赖于使用者的水平，这样不仅不能获得最佳的函数逼近效果，而且采用人工的方法选择SVM参数比较浪费时间，这在很大程度上限制了它的应用．为了能够自动地获得最佳的SVM参数，提出了基于自适应遗传算法的SVM参数选取方法．该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度，从而确保了SVM参数选择的准确性．将该方法应用于船用锅炉汽包水位系统建模，仿真结果表明由该方法所得的SVM具有较简单的结构和较好的泛化能力，仿真精度高，具有一定的理论推广意义．     

基于核的单类分类器研究

以统计学习理论为背景,以核方法为基础的两类典型单类分类算法：单类支持向量机（OCSVM）和支持向量数据域描述（SVDD）,均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现.本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.     

基于GA-SVM的上市公司财务评价模型研究

财务评价是企业财务管理中的重要环节,本文在对传统财务评价方法的不足进行分析的基础上,结合财务管理理论和企业预警理论,采用GA-SVM方法建立上市公司财务评价模型。首先以沪深两市2007~2009年度A股上市公司为研究对象,以因财务状况异常而被列为特别处理的公司（ST公司）作为界定上市公司的财务危机标志,并以上市公司年报财务数据作为输入特征向量,然后将遗传算法与支持向量机相结合,通过实证方法建立上市公司财务评价模型,实证结果验证了该模型的有效性。     

基于GA-SVM的上市公司财务危机预警研究

以财务管理理论和企业预警理论为基础,采用GA-SVM方法建立上市公司财务危机预警模型.首先以沪深两市2007~2009年度A股上市公司为研究对象,以因财务状况异常而被列为特别处理的公司（ST公司）作为界定上市公司的财务危机标志,并以上市公司年报财务数据作为输入特征向量,然后将遗传算法与支持向量机相结合,通过实证方法建立上市公司财务危机预警模型.     

基于支持向量机和遗传算法的纹理识别

为了解决尺度变化和训练样本有限给纹理识别带来的困难,提出了一种基于支持向量机和遗传算法的纹理识别新方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,用多类支持向量机作为分类器。用遗传算法对纹理特征集进行了优化;用输出纠错码将二类支持向量机扩展到多类,提高了分类器的泛化能力。用包含有25类单色自然纹理的图像库进行识别试验,结果表明,该方法的识别错误率小于10%,得到了比传统的贝叶斯等方法更高的识别率和更好的推广性。     

基于支持向量机的短期负荷预测的方法改进

在对支持向量机（Support Vector Machines,SVM）方法的参数性能进行分析的基础上,提出了将Grid-search方法引入至基于支持向量机的短期负荷预测算法中,以解决支持向量机方法的参数选择问题。该参数选择方法减少了参数选择的盲目性,提高了SVM的预测精度。通过在East-Slovakia Power Distribution Company提供的电网运行数据上验算,证明了该改进方法的正确性和有效性。     

基于MTC结构的支持向量机并行训练算法 贾华丁1, 2,游志胜1,王磊2

摘要：为加快支持向量机的训练速度,提出一种新型的“多重三叉级联(MTC)”学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

基于MTC结构的支持向量机并行训练算法

为加快支持向量机的训练速度,提出一种新型的"多重三叉级联(MTC)"学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

云计算环境下基于SVM的数据分类

为了提高数据的分类效率和准确度,利用云计算提供的弹性集群平台来解决计算力伸缩性瓶颈,并用MapReduce编程模型对SVM进行Map和Reduce并行化处理,并将基于优化理论的遗传算法（ GA）引入SVM分类算法中对分类器参数进行优化,以分类器的准确率作为GA算法适应度函数,找出全局最优的模型参数和核函数参数值。经开源云计算平台Hadoop实验验证,数据分类的准确度有了明显的提高,整个分类过程的加速度几近呈线性增加。     

使用支持向量机分割指纹图像的方法

提出了一种使用支持向量机的指纹图像背景分割方法. 以指纹图像的灰度方差和对比度为特征,训练用于分割背景的支持向量机,并用拟凸算法修正支持向量机的分割结果;使用较少的训练样本,得到泛化性能较好的分类器,对较大数据库中的指纹图像分割背景,正确率为95.3%,实现了利用小样本训练分割方法而较好地适用于同类大数据库的目的.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

Novel Method of Predicting Network Bandwidth Based on Support Vector Machines

In order to solve the problems of small sample over-fitting and local minima when neural networks learn online, a novel method of predicting network bandwidth based on support vector machines(SVM) is proposed. The prediction and learning online will be completed by the proposed moving window learning algorithm (MWLA). The simulation research is done to validate the proposed method, which is compared with the method based on neural networks.