共查询到17条相似文献,搜索用时 575 毫秒
1.
2.
针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。 相似文献
3.
高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。 相似文献
4.
论述了支持向量机的回归算法和基于时间序列支持向量回归的建筑物变形预测方法,并用MATLAB6.5工具箱编制基于时间序列支持向量回归程序,建立了基于时间序列支持向量回归模型。最后以实例数据讨证基于时间序列支持向量机回归模型的预测方法。研究表明:用时间序列支持向量回归模型建立的建筑物变形监测的预测模型是可行的和有效的。 相似文献
5.
大坝沉降往往受多种因素影响,对此提出一种基于双树复小波-最小二乘支持向量机(LSSVM)的大坝沉降预测方法.利用双树复小波有效分离出大坝原始序列中隐含的不同频率分量,分析影响大坝沉降的水位、温度与各频率分量的关系,建立相应的LSSVM预测模型.实验表明,该方法有较高的预测精度. 相似文献
6.
7.
收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。 相似文献
8.
基于小波变换和支持向量机的大坝变形预测 总被引:2,自引:0,他引:2
提出了一种基于小波变换和支持向量机的大坝变形预测方法.通过小波变换把变形时间序列分解成具有不同频率特征的分量,根据各分量的特点构造不同的支持向量机模型进行预测,然后把各分量的预测结果进行重构,作为最终的变形预测结果.实例证明,该方法具有很高的预测精度和较强的泛化能力. 相似文献
9.
10.
11.
对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。 相似文献
12.
13.
14.
15.
讨论了利用粒子群优化(PSO)算法来优化选择支持向量机(SVM)参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。 相似文献
16.
沉降数据序列分析方法研究 总被引:6,自引:2,他引:6
针对沉降数据序列的特征,研究了多项式回归方法、小波降噪方法、频谱分析法在沉降数据处理中的应用。多项式回归残差和小波降噪残差统计指标对比表明:在趋势项分离过程中,小波降噪方法优于多项式回归方法。小波降噪的残差频谱分析结果表明了沉降数据序列在2个月和4个月的周期性信息。 相似文献
17.
为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。 相似文献