共查询到17条相似文献，搜索用时 171 毫秒
1.
基于混合核函数PSO-LSSVM的边坡变形预测 总被引：2，自引：0，他引：2
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。 相似文献
2.
基于灰色最小二乘支持向量机的边坡位移预测 总被引：1，自引：0，他引：1
利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。 相似文献
3.
PSO-LSSVM模型在位移反分析中的应用 总被引：4，自引：1，他引：3
提出了一种基于均匀设计原理、最小二乘支持向量机(LSSVM)和粒子群优化算法(PSO)的快速位移反分析方法。该方法利用均匀设计和有限差分法获得学习样本,再用粒子群算法搜索最优的最小二乘支持向量机模型参数。并用最小二乘支持向量机回归模型建立反演参数与监测点位移值之间的非线性映射关系,最后用粒子群算法从全局空间上搜索与实测位移最吻合的反演参数。该反演模型利用了粒子群算法高效简单、均匀设计构造高质量小样本以及最小二乘支持向量机的小样本、泛化性能好的特点。将该模型应用于龙滩水电站左岸地下厂房区岩体地应力场的反演分析中,计算结果与实测的位移值和地应力值均吻合较好,说明了该模型在岩土工程快速反演分析中具有良好的应用价值。 相似文献
4.
滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。 相似文献
5.
基于支持向量机（SVM）和独立分量分析（ICA）建立了超长大直径钢管桩极限承载力的预测模型。先采用独立分量分析FastICA算法从实际工程的超长大直径钢管桩试桩的实测数据样本中抽取相互独立的分量,这些分量不仅去除了相关性,还保持统计独立,并服从非高斯分布,能更好地表现数据间的本质结构;然后,确定支持向量机作为分类器,以抽取的独立分量作为支持向量机模型的输入参数,建立超长大直径钢管桩的承载力预测模型ICASVM_Q;最后,采用某大桥的工程数据对预测模型进行测试。结果表明,ICASVM_Q的预测效果明显优于以原始数据作为支持向量机模型输入的SVM_Q模型的预测效果。可见,采用将独立分量分析与支持向量机相结合的方法建模预测超长大直径钢管桩的承载力是可行的,ICASVM_Q模型的预测结果可用于超长大直径钢管桩承载力的设计参考,具有一定的工程应用价值。这种方法还可以用于其他领域的智能预测研究中。 相似文献
6.
基于范例推理的公路隧道拱顶变形时序支持向量机外延预测 总被引：1，自引：0，他引：1
针对公路隧道拱顶变形预测模型的普适性与外推预测的准确性,提出了基于人工智能推理的隧道工程属性（地理位置、监测位置、隧道高宽比、围岩级别和埋深）与拱顶变形时序曲线原子矩阵的相似范例检索方法,并在深入分析了获取的相似范例特征的基础上,进一步以LPG新核函数支持向量机建立先验知识的预测模型。应用该方法对通渝隧道工程K19+994断面拱顶下沉进行了预测与评估。结果表明,对于不同隧道间或同一隧道不同区段预判拱顶变形或收敛,基于范例推理能够获知良好的先验背景知识,且以此进行的支持向量机预测模型学习的回归内插（1～14步序）的平均相对误差为1.36%,而一次性外推预测15 d内的8个变形值（16～30步序）的平均相对精度为97.28%,证实了方法的可靠性 相似文献
7.
8.
工程先验知识辨识下的滑坡非平稳变形支持向量机预测 总被引：1，自引：0，他引：1
针对缺乏非平稳变形（阶段性、反复性及突变性）特征数据导致的滑坡预测与评估不完全符合工程实际的情况,通过分析变形时序的物理意义与类型,在定义了非平稳变形趋势变化外延模式的基础上,提出了综合考虑滑坡当前变形阶段、观测变形数据特征以及待预测时段外界诱发因素的时序外延模式辨识方法,并进一步在工程先验知识指导下建立了支持向量机（SVM）预测模型。通过2个工程实例对方法进行应用验证。结果表明,工程先验知识能够有效补充非平稳变形的观测数据信息,对预测建模具有指导性作用;融入外延模式的SVM模型与一般性SVM的外推预测,其平均相对误差可降低2～3倍,预测的可靠性与准确性得到了显著增强。 相似文献
9.
混沌序列WA-ELM耦合模型在滑坡位移预测中的应用 总被引：1，自引：0，他引：1
《岩土力学》2015,(9):2674-2680
针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。 相似文献
10.
滑坡位移时序预测的核函数构造 总被引：4，自引：4，他引：0
获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。 相似文献
11.
Comparison on landslide nonlinear displacement analysis and prediction with computational intelligence approaches 总被引：1，自引：0，他引：1
Landslide displacement is widely obtained to discover landslide behaviors for purpose of event forecasting. This article aims to present a comparative study on landslide nonlinear displacement analysis and prediction using computational intelligence techniques. Three state-of-art techniques, the support vector machine (SVM), the relevance vector machine (RVM), and the Gaussian process (GP), are comparatively presented briefly for modeling landslide displacement series. The three techniques are discussed comparatively for both fitting and predicting the landslide displacement series. Two landslides, the Baishuihe colluvial landslide in China Three Georges and the Super-Sauze mudslide in the French Alps, are illustrated. The results prove that the computational intelligence approaches are feasible and capable of fitting and predicting landslide nonlinear displacement. The Gaussian process, on the whole, performs better than the support vector machine, relevance vector machine, and simple artificial neural network (ANN) with optimized parameter values in predictive analysis of the landslide displacement. 相似文献
12.
基于小波变换和GALSSVM的边坡位移预测 总被引：1，自引：0，他引：1
边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程 相似文献
13.
如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。 相似文献
14.
基于数学形态学多尺度分析的顶板下沉量预测 总被引：1，自引：0，他引：1
利用实测顶板沉降序列预测顶板下沉量是分析顶板稳定性的有效手段。提出基于数学形态学（MM）的预测方法,将沉降序列视为一组信号,用多尺度形态学算法将其解耦为若干分量,用最小二乘支持向量机（LSSVM）算法对各分量进行预测,叠加还原得到最终预测结果。根据某金矿762采场预控顶板AIII测点实测沉降时序,建立MM-LSSVM模型进行预测研究。研究结果表明,MM-LSSVM的解耦处理强化了各分量内部规律、弱化了相互干扰。与其他传统预测算法相比,MM-LSSVM的平均绝对百分误差和均方根误差大幅下降,预测精度显著提高。 相似文献
15.
SVM在地下工程可靠性分析中的应用 总被引：4，自引：0，他引：4
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。 相似文献
16.
提出了地下工程裂隙岩体注浆量预测的遗传支持向量机方法,通过支持向量机对实际注浆数据样本进行学习,建立注浆量及其影响因素之间的非线性映射关系,基于这种关系实现注浆量的预测。模型建立过程中,考虑到支持向量机惩罚因子和核参数对预测精度的影响,以预测误差为适应度,采用遗传算法对最佳参数进行搜索。结果表明,本文方法计算快速,预测精度高,是一种注浆量预测的好方法。 相似文献
17.
为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。 相似文献