共查询到16条相似文献，搜索用时 218 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.
滑坡位移的多模态支持向量机模型预测 总被引：1，自引：0，他引：1
将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性 相似文献
3.
针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。 相似文献
4.
结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。 相似文献
5.
基于正交设计下SVM滑坡变形时序回归预测的超参数选择 总被引：2，自引：0，他引：2
超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。 相似文献
6.
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
7.
总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。 相似文献
8.
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
9.
目前在滑坡位移预测研究中,先将滑坡位移数据分解为趋势项及周期项后再分别进行预测已成为普遍做法。平滑先验分析法(Smoothness Priors Approach,SPA)是一种计算过程简单、计算量极小,且能快速分离原始数据趋势项和周期项的数据处理方法。在介绍SPA基本原理基础上,以三峡库区白家包滑坡典型监测点位移数据为例,对通过调节SPA正则化参数而获得的不同趋势项及周期项进行特征分析;进而结合对滑坡变形演化机制过程的先验分析,根据位移分解特征确定合理的参数取值;最后针对不同参数SPA位移分解数据,采用支持向量机进行位移预测对比分析。结果表明,SPA是一种适用于滑坡位移预测的位移分解方法,通过调节正则化参数并结合滑坡变形机制先验分析,能够获得较为合理的位移分解结果,进而提高滑坡位移预测精度。 相似文献
10.
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
11.
12.
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
13.
Xiaobing Yu 《Natural Hazards》2017,85(2):959-976
The kernel parameters setting of SVM influences prediction precision. The hybrid model based on SVM for regression and improved differential evolution is proposed to enhance the prediction precision. The improved differential evolution is used to optimize the kernel parameters. The improved differential evolution algorithm employs two trial vector generation strategies and two control parameter settings. The first-generation strategy is with best solution, and the second strategy is without best solution. Three categories of disasters time series including flood, drought and storm from Ministry of agriculture of China are used to verify the validity of the proposed model. Compared with the grid SVM and other models, the proposed hybrid model improves the prediction precision of SVM. 相似文献
14.
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
15.
Displacement prediction model of landslide based on a modified ensemble empirical mode decomposition and extreme learning machine 总被引：5，自引：1，他引：4
In this paper, an M–EEMD–ELM model (modified ensemble empirical mode decomposition (EEMD)-based extreme learning machine (ELM) ensemble learning paradigm) is proposed for landslide displacement prediction. The nonlinear original surface displacement deformation monitoring time series of landslide is first decomposed into a limited number of intrinsic mode functions (IMFs) and one residual series using EEMD technique for a deep insight into the data structure. Then, these sub-series except the high frequency are forecasted, respectively, by establishing appropriate ELM models. At last, the prediction results of the modeled IMFs and residual series are summed to formulate an ensemble forecast for the original landslide displacement series. A case study of Baishuihe landslide in the Three Gorges reservoir area of China is presented to illustrate the capability and merit of our model. Empirical results reveal that the prediction using M–EEMD–ELM model is consistently better than basic artificial neural networks (ANNs) and unmodified EEMD–ELM in terms of the same measurements. 相似文献
16.
基于灰色-进化神经网络的滑坡变形预测研究 总被引：15，自引：3，他引：15
滑坡变形位移预测对滑坡灾害治理具有重要的意义。考虑到滑坡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，用基于免疫进化规划的新型进化神经网络模型逼近位移偏差，从而提出了1种滑坡位移预测的新型智能方法。并用新滩滑坡的实测位移预测研究证明了所提智能预测方法的有效性及可行性 相似文献