共查询到18条相似文献，搜索用时 125 毫秒
1.
建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。 相似文献
2.
混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。 相似文献
3.
陈鹏宇 《大地测量与地球动力学》2017,37(7):709-714
针对非等距沉降数据序列的建模问题,探讨了3种非等距GM(1,1)模型在沉降预测中的应用。结果显示,加权非等距GM(1,1)模型不适用于具有近似指数趋势的沉降数据,灰线性加权非等距GM(1,1)模型并非真正的非等距模型,模型预测式与时间无关,不能用于沉降预测,而对于笔者所建立的非等距GM(1,1)模型,其拟合函数等同于灰色线性回归组合模型,可用于近似指数趋势的沉降数据。通过实例分析对比了3种非等距GM(1,1)模型的应用效果,验证了上述观点的正确性。 相似文献
4.
针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。 相似文献
5.
王江荣 《大地测量与地球动力学》2017,37(5):511-515
提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。 相似文献
6.
基于支持向量机理论的地下水动态遥感监测模型与应用 总被引：2，自引：0，他引：2
地下水是我国内陆干旱地区水资源的重要组成部分,也是极为敏感的生态环境因素之一。地下水动态变化影响着绿洲和湿地的演化,以及土地资源的开发。西北地区地下水监测网尚不完善,动态资料相对缺乏。遥感技术可以弥补传统地下水位监测手段的不足。由于降水极少,西北干旱区地表反射率与地下水水位埋深关系极其密切。选用归一化植被指数(NDVI)、地表温度(LST)数据,应用支持向量机回归方法,建立西北干旱地区地下水位遥感监测模型。提取MODIS影像中的NDVI和LST产品上的地表温度和植被指数信息,作为模型的输入,通过合理选择核函数进行支持向量机的回归分析,从而建立地表植被指数、地表温度与地下水位的相关数学模型,并分析了不同核函数所拟合结果。在河西走廊疏勒河流域的研究成果表明,运用MODIS数据开发地下水动态模型反演水位变化是可行的,模型拟合的结果比较符合实际情况,尤其是对于细土平原地下水浅埋地区模型应用效果更为理想。一次多项式核函数适合模拟埋深小于3m浅埋地下水,径向基函数RBF核函数和三次多项式核函数法则更适合模拟较大埋深情况。开发的地下水位遥感监测模型可为西北干旱区水循环研究和流域水资源管理提供技术手段。 相似文献
7.
针对时变信号模式分类问题,建立一种过程支持向量机模型.该模型的输入为时变函数,通过核函数变换将动态模式映射到高维特征空间,经过学习训练集中函数样本类别特性,自适应提取动态模式的过程特征,直接分类辨识时变信号.证明过程支持向量机与单隐层前馈过程神经元网络的二分类能力等价;将复杂的动态模式集合非线性地映射到高维特征空间,提... 相似文献
8.
基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法，构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量，并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加，最终建立多尺度变形预测方法，并应用于大坝变形预测。实验结果表明，改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法，证实了新方法的有效性及可靠性。 相似文献
9.
为弥补传统GM(1,1)幂模型背景值等权构造的缺陷,针对原始变形序列的非等距振荡特征构建背景值加权优化的非等间距线性时变参数GM(1,1)幂模型,并采用具有全局优化特性、收敛速度快的粒子群算法求解模型的幂指数和背景值权重。以2组矿区监测点累积沉降观测数据为例进行沉降分析与预测,结果表明,本文模型的平均绝对百分比误差分别为2.33%和4.70%,预测误差分别为2.10%和6.38%,计算结果均优于其他3种模型。工程应用表明,优化模型在小样本非等距振荡序列应用中具有优越性,适用于地表沉陷的短期预测与时变分析。 相似文献
10.
为获取质量更好的视差图,在图像分割的基础上提出一种新的立体匹配算法,首先采用均值漂移算法对图像进行分割得到不同分割区域,然后采用基于窗口的局部自适应加权方法获取初始视差图,经双向检测后得到可信区域与不可信区域,最后定义一个加入遮挡项的能量函数作为遗传算法评价函数,计算可信区域的平面模型参数,之后在能量函数中加入平滑项,为每个区域选一个使能量函数最小的平面模型,得到最终的视差图。实验数据表明,该算法可较好地处理深度不连续区域和无纹理区域,匹配精度高。 相似文献
11.
提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。 相似文献
12.
针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。 相似文献
13.
任意多边形工作面沉陷预计及精确的求取概率积分法反演参数是开采沉陷研究的重点。提出了使用Delaunay三角剖分将任意多边形开采区域划分为若干小三角形,然后进行沉陷预计的方法,解决了任意多边形沉陷预计的难题;综合模矢法和遗传算法优点,提出了组合算法,提高了概率积分法参数反演精度和效率;开发了集实测数据处理、预计模型参数反演和移动变形预计模块于一体的地表移动变形数据处理软件。优化算法的提出及系统开发,可以更好的服务于"三下采煤"、矿区建筑物稳定性评估、矿区土地复垦、采煤塌陷地治理规划设计等工作。 相似文献
14.
为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。 相似文献
15.
在传统支持向量回归机的基础上,考虑观测数据的混沌特性,通过对训练样本的相空间重构,并结合遗传算法在寻参上的优势,建立边坡变形的相空间重构GA-SVR组合模型。通过组合模型对某矿山边坡位移预测值与实测值进行对比分析,发现组合模型在预测精度上更具优势。 相似文献
16.
《山地科学学报》2021,(8)
Landslide probability prediction plays an important role in understanding landslide information in advance and taking preventive measures. Many factors can influence the occurrence of landslides, which is easy to have a curse of dimensionality and thus lead to reduce prediction accuracy. Then the generalization ability of the model will also decline sharply when there are only small samples. To reduce the dimension of calculation and balance the model's generalization and learning ability, this study proposed a landslide prediction method based on improved principal component analysis(PCA) and mixed kernel function least squares support vector regression(LSSVR) model. First, the traditional PCA was introduced with the idea of linear discrimination, and the dimensions of initial influencing factors were reduced from 8 to 3. The improved PCA can not only weight variables but also extract the original feature. Furthermore, combined with global and local kernel function, the mixed kernel function LSSVR model was framed to improve the generalization ability. Whale optimization algorithm(WOA) was used to optimize the parameters. Moreover, Root Mean Square Error(RMSE), the sum of squared errors(SSE), Mean Absolute Error(MAE), Mean Absolute Precentage Error(MAPE), and reliability were employed to verify the performance of the model. Compared with radial basis function(RBF) LSSVR model, Elman neural network model, and fuzzy decision model, the proposed method has a smaller deviation. Finally, the landslide warning level obtained from the landslide probability can also provide references for relevant decision-making departments in emergency response. 相似文献
17.
机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。 相似文献
18.
??????ú??21???????????????????????????????????????????????Χ??????ο??????????ArcGIS??????3????????????????????????????????????α??????????????????????????????????? 相似文献