支持向量机在径流预报中的应用探讨

径流的形成是一个涉及到水文、气象及力学等复杂的过程,中间包含降水、蒸发、产流、汇流等复杂过程,还受到地形、地貌、流域下垫面和人类活动等因素影响,其变化非常复杂,作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。尝试将最小二乘支持向量机技术用于径流预测,并与BP神经网络方法的预测结果进行了对比,证明SVM方法预测径流量精度要优于BP神经网络方法。     

基于EMD的SVM支持向量机模型在朝阳旱灾预测中的应用

为提高旱灾预测精度,本文运用EMD（经验模态分解法）与SVM（支持向量机）的组合模型对朝阳地区51a(1968-2018)旱灾情况进行预测研究,利用不同模型的独特优势,提高旱灾的预测精度,从而降低单一旱灾预测模型存在的弊端。结果表明：基于EMD的SVM支持向量机模型在朝阳旱灾预测中的应用取得了较好的预测精度,预测值均方误差（MSE）为0.000 5,决定系数（R2）为0.992,均优于SVM支持向量机预测模型的结果,将该模型应用在朝阳地区旱灾预测中具有一定的可行性。     

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。     

支持向量机在地下水位预报中的应用研究

针对地下水系统结构不甚清晰、基础资料不完备条件下区域地下水位预报问题,在介 绍支持向量机基本原理和实现算法的基础上,探讨了支持向量机方法在区域地下水位预报中的应用,经过与人工神经网络方法预报结果比较,表明该方法具有速度快、泛化能力强的特点,可很好地克服神经网络的过学习问题。     

支持向量机在乌龙矶站径流预测中的应用研究

潘家口水库是海河流域的重要水源地之一,科学预测其来水量可以为流域的水量调度、水资源保护、水资源规划与管理等提供工作依据.利用潘家口水库上游主要控制站——乌龙矶水文站的实测资料,将成熟的预测方法和新技术应用到基于支持向量机的径流预测模型,以期为潘家口水库优化调度和合理使用提供可靠的水文信息,提高其经济效益和社会效益.     

支持向量机在三江平原井灌水稻需水量预测中的应用

探讨了支持向量机在水稻需水量预测中的应用.在介绍支持向量机基本思想和回归算法的基础上,利用此方法对三江平原井灌水稻生育期内需水量进行预测.结果表明:该方法具有速度快,泛化能力强,并具有较高的模型拟合和预测精度,为当地制定合理的节水灌溉制度提供理论依据.     

多层次分类支持向量机在水质评价中的应用

在介绍支持向量机(SVM)原理的基础上,设计采用多层次分类器改进支持向量机的分类算法,并利用该方法评价磐石市的地下水水质,同时与模糊综合评判、灰色聚类和神经网络评价结果对比。结果表明,该方法可以用于水资源学科的分类评价计算。     

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。     

支持向量机在围岩稳定性分类中的应用

在分析不同围岩稳定性分类方法及支持向量机算法的基础上,提出基于支持向量机的围岩稳定性分类方法。随后采用Matlab语言编程,建立了相应的围岩稳定性分类模型。以某蓄能电站一期工程的实例数据为学习样本,进行学习测试,得到训练效果较佳的分类模型,并用此模型对其二期工程的围岩进行了分类。分析中同BP神经网络算法进行了对比,结果表明,用支持向量机方法来进行围岩稳定性分类是可行的,且具有一定的优越性。     

灰色最小二乘支持向量机在灌溉用水量预测中的应用

根据灰色理论(grey model,GM)所需原始数据少、建模简单、运算方便等优势,以及最小二乘支持向量机(least square support vector machine,LS-SVM)所具有的泛化能力强、运算速度快、非线形拟合精度高、参数优化好、小样本等优点,建立了灰色理论和最小二乘支持向量机组合预测模型,并将此模型应用于灌区用水量预测中。预测结果与实际结果吻合良好,验证了所提出组合方法的有效性和实用性,可以作为灌溉用水量预测的有效工具。     

支持向量机在混凝土CT图像分析中的应用

本文引入支持向量机的理论,对混凝土圆柱体试件一个扫描断面的5个应力阶段的CT图像进行了分析,对图像的各组成部分进行了分类,获得了清晰的裂纹、孔洞区域,砂浆区域和骨料区域的空间位置分布.从支持向量机分类图中可以看出裂纹或孔洞区域的大小分布随应力的变化过程,表明混凝土试件经历了压密、扩容、CT尺度裂纹扩展贯通至最后破坏的过程.与用传统的统计方法研究混凝土CT图像相比,支持向量机法不仅可以反映出材料的空间分布,同时使复杂的CT数分布对应转换为三类数的分布,简化了下一步统计分析.     

基于改进向量机的岩体质量分级研究

以金沙江某水电站工程实例,应用交叉验证和网格搜索优化支持向量机(SVM)模型建立岩体质量分级模型,选取岩石单轴抗压强度(Rc)、岩石质量指标(RQD)、岩体风化程度、节理组数(Jn)、节理粗糙系数(Jr)、节理蚀变系数(Ja)、地下水状态7个参数作为输入参数构建立分类模型,对坝区复杂的岩体结构进行质量分级。通过与RMR(岩体地质力学分类)和BP神经网络分类法对比,表明:支持向量机具有高非线性映射能力,对岩体分类识别能力极强,具有较好的准确度和稳定性,能够满足实际的工程需要。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

支持向量机在湖库营养状态识别中的应用

依据我国湖库富营养化评价标准和支持向量机（SVM）原理及方法,构建基于交叉验证（CV）的CV－SVM湖库营养状态识别模型,采用随机内插的方法在各分级标准阈值间生成训练样本和测试样本,在达到预期识别精度后将模型运用于全国24个湖库营养状态的识别,并与投影寻踪法、评价指标法和神经网络评价法的识别结果进行比较。结果表明：基于线性核函数的CV－SVM模型对于随机生成的训练样本和测试样本的正确识别率分别达到97.8％和97.3％（5次平均）,对全国24个湖库营养状态的识别结果与采用投影寻踪法、评价指标法和神经网络评价法的识别结果基本相同,模型具有泛化能力强、识别精度高、收敛速度快、不易陷入局部极值等特点。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。