果蝇优化算法与支持向量机在年径流预测中的应用

针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

支持向量机在变形监测数据处理中的应用

支持向量机是基于统计学习理论的结构风险最小化原则的数据挖掘新方法，它将最大分界面分类器思想和基于核的方法结合在一起，具有很强的泛化能力，能保证所得解是全局最优解。文中简要介绍了支持向量机的基本原理及其在变形监测数据处理中的应用，论述了如何利用支持向量机进行建模和预报。通过对某大坝变形监测的连续观测数据的计算分析，论证了支持向量机在变形监测中应用的可行性和有效性。     

基于模拟退火算法支持向量机在枯水期月径流预测中的应用

鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。     

支持向量机模型在电站闸坝沉降变形预测中的应用

本文结合支持向量机模型,建立多元自回归方程对辽宁东部某电站闸坝沉降变形进行预测,并结合闸坝沉降变形监测点监测的沉降数据对模型进行验证。结果表明:支持向量机模型可用于电站闸坝沉降变形预测,模型预测的沉降值和监测点沉降监测值年尺度和月尺度的相对误差均在20%以内,预测沉降值和监测沉降值之间的绝对误差小于1.5mm,且支持向量机模型可准确预测闸坝沉降的变化趋势。研究成果对于闸坝除险加固中沉降预测提供较好的方法参考。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

人工鱼群算法与支持向量机在枯水期月径流预测中的应用

支持向量机(SVM)学习参数存在选择范围大,盲目搜索花耗时间多、代价大,且难以获得最佳参数等问题.针对该问题利用人工鱼群算法(AFSA)搜寻SVM学习参数,提出AFSA-SVM预测模型,并与PSO-SVM、GA-SVM模型作对比.以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前30年、中间20年和后3年资料对模型进行训练、检验和预测.结果表明:AFSA-SVM模型对实例中间20年和后3年枯水期月径流预测的平均相对误差绝对值分别为5.04％、3.62％(5次平均),精度优于PSO-SVM和GA-SVM模型,表明AFSA-SVM模型具有较高的预测精度和泛化能力.AFSA算法具有全局寻优能力强、简单易实现、对初值参数选择不敏感等优点,利用AFSA算法优化得到的SVM学习参数有利于提高SVM模型的预测精度和泛化能力.     

基于灰色-进化支持向量机的围岩变形预测

现场监测获得的围岩变形信息,从宏观上反映了洞室的力学性态变化.考虑到位移单调增长的特殊性,根据位移分解原理,采用灰色系统提取位移趋势,用基于粒子群优化算法的支持向量机预测其随机项,从而提出了一种位移预测的新方法.利用这种非线性智能预测方法,滚动预测围岩变形量,以便及时发现异常情况、调整和优化施工步序,维护洞室的稳定性.将该方法用于锦屏一级水电站工程洞室变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景.     

支持向量机在水文气象中的应用

根据1951～2004年丹江口水库流域流量资料及国家气候中心的74项大气环流与海温资料等,利用支持向量机并采用遥相关挑选因子与预报对象一一相对应的距平拟合率,建立了丹江口水库流域不同季节的流量预测模型。小样本量交叉验证和实例预报的结果表明:预测模型是具有良好的稳定性,运算速度比传统的预报方法大大加快。     

改进支持向量机模型在城市需水量预测中的应用

以某城市需水量为研究对象,运用改进的支持向量基模型对该地区1991年到2001年的用水量进行模拟计算,并用该市2002年和2003年的用水量进行模型检验,与GM(1.1)模型所得的结果作比较,分析证明了改进的SVR模型方法能取得更好的结果。     

基于小波分解和支持向量机的大坝位移监控模型

常规大坝安全监控统计模型未能分别针对监测序列值内系统信号和随机信号特点进行模拟,故预报精度存在一定的提升空间。基于小波分解技术,利用监测序列值信号频率特征分离出系统信号与随机信号,并结合逐步回归与支持向量机(SVM)对不同信号的处理优势,在引入网格寻优与交叉验证确定SVM敏感参数的基础上,提出了一种基于多元统计结合小波分解和支持向量机的大坝位移监控模型,同时编制了其相应的计算程序。工程算例表明,该模型较常规模型能够同时考虑监测序列中的系统信号和随机信号,并且具有较强的模型寻优能力和更高的预报精度,从而验证了所建模型的有效性,该方法亦可推广应用于高边坡及大坝其他预警指标的监控。     

基于改进GWO和SVM的大坝变形预测

建立准确可靠的大坝变形预测模型是大坝安全评价的重要内容,为此,将差分进化算法的交叉和变异算子引入灰狼优化算法(GWO),提出一种基于改进灰狼算法(MGWO)优化支持向量机(SVM)的大坝变形预测方法.通过差分进化算法丰富初始种群,提出改进灰狼优化算法(MGWO),并采用MGWO算法优化SVM的惩罚因子和核函数,建立基于...     

混凝土坝安全监控最小二乘支持向量机模型

传统的混凝土坝安全监控模型难以精确反映大坝变形的非线性变化规律,一定程度上影响模型的预测效果。基于统计学习理论的支持向量机,采用结构风险最小化准则,具有结构简单、理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。将最小二乘支持向量机应用于大坝安全监控领域,建立了混凝土坝的支持向量机监控模型。工程案例证明,该模型精度较高,具有广泛的实用性。     

基于支持向量机的溃坝生命损失评估模型及应用

针对溃坝生命损失历史资料缺乏且影响因素复杂的特点,鉴于支持向量机算法的诸多优势,建立了基于支持向量机的溃坝生命损失评估模型.将溃坝生命损失定义为风险人口与生命损失率的乘积,分析了生命损失的评估指标,建立了综合评估体系.根据我国已溃决大坝的历史资料,构建了学习样本.留一法交互校验结果表明,该评估方法具有一定的精度.     

基于LS-SVM模型的白水河滑坡台阶状位移预测

滑坡位移是滑坡变形破坏最直观的表现,滑坡位移预测成功与否对于判别滑坡的演化趋势至关重要。滑坡位移曲线是受多种影响因素共同作用的非平稳时间序列,以三峡库区白水河滑坡为例,利用HP滤波分析方法提取滑坡位移的趋势项,趋势项位移主要是由滑坡自身特征决定的,具有较明显的非线性递增特性,采用多项式对其进行拟合预测;周期项受多种诱发因子(滑坡演化阶段、季节性降雨、库水位升降等)影响,利用最小二乘支持向量机模型(LS-SVM)对其进行训练与预测。将趋势项和周期项拟合预测结果叠加即为累计位移预测值,结果表明在监测点ZG93和XD-04的预测中,LS-SVM模型均具备较高的评价精度,在台阶状位移特征的滑坡位移预测中具有较好的适应性。     

高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

机器学习算法在大坝安全监控系统中的集成方法

为方便在大坝安全监控系统中灵活应用新型机器学习算法,提出了一种应用组件对象模型(COM)技术将机器学习算法集成到大坝安全监控系统中的方法,相比于在开发系统中直接对机器学习算法进行编程,该方法可节省大量的编程时间,缩短开发周期,效果较好.     

考虑黏弹性滞后效应的拱坝位移监控组合模型

位移监控模型需要对拱坝变形性态兼具良好的解释和预测能力。水压-滞后-周期性温度-时效四因子HHST(Hydraulic,Hysteretic,Seasonal and Time)模型能够合理地解释锦屏一级拱坝的黏弹性滞后变形性态。为进一步提升该模型的预测精度,使用支持向量机(SVM)建立有限元计算所得拱坝黏弹性滞后位移与其因果因子之间的隐式关系,再将其融入到HHST模型中,进而基于多元线性回归建立拱坝位移的组合监控模型。以锦屏一级拱坝为例,减少输入因子数的组合模型的预测精度明显高于直接以HHST模型中18个因子作为输入的单一模型;SVM对滞后水压位移分量的预测精度明显高于基于约束最小二乘法的线性回归模型,采用2种滞后水压分量所建组合模型对拱坝变形性态具有相近的解释能力,而采用SVM滞后水压分量建立的组合模型可有效地提高拱坝位移的预测精度,多测点均方误差(MSE)平均降低21.67%,决定系数R²整体提高0.07%。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。