共查询到18条相似文献，搜索用时 390 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.
基于组合核函数的高斯过程边坡角智能设计 总被引：2，自引：0，他引：2
高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。 相似文献
3.
为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R2)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。 相似文献
4.
常用的确定岩土力学参数的方法有原位测试和室内试验两种,但都存在一定的局限性,参数选择的合理与否,对设计计算及数值模拟分析结果的有效性影响很大。支持向量机法在理论基础和求解算法方面都具有明显优势,为确保岩土力学参数取值的合理性,采用支持向量机法对岩土力学参数进行反演。先通过小波分析理论构造出支持向量机的核函数,再用粒子群算法(PSO)分别优化Morlet小波、Mexico小波和RBF函数的支持向量机模型参数,通过小波支持向量机模型建立反演参数与沉降值间的非线性映射关系。根据正交试验和均匀试验对需反演的岩土力学参数进行设计,结合有限元软件进行计算分析,得到学习样本和测试样本。分别采用Morlet小波、Mexico小波和RBF函数得出的预测结果和原始数据进行对比分析,发现采用Morlet小波核函数预测效果更佳。使用Morlet小波核函数预测的参数输入到Midas模型中计算建筑物最终沉降量,比较计算值与实际监测值,其相对误差不超过8.1%。研究结果表明,该方法在岩土工程参数的反演中具有良好的应用价值,对今后岩土力学参数的确定及校核提供了一种新方法。 相似文献
5.
基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型 总被引：1，自引：0，他引：1
高斯过程回归(GPR)学习机有着容易实现、超参数自适应获取及预测输出具有概率意义等优点。通常采用共轭梯度法获取GPR超参数,但其存在优化效果对初值依赖性太强,迭代次数难以确定,易陷入局部最优的缺点。改用粒子群优化 (PSO)算法进行最优超参数搜索,形成粒子群-高斯过程回归耦合算法(PSO-GPR)。将该算法引入三峡永久船闸高边坡、卧龙寺新滑坡、链子崖滑坡3个不同的典型滑坡变形时序分析中,对每个滑坡分别采用稳态核及一种新式神经网络（NN）、平方指数（SE）、有理二次型（RQ）3种单一核函数进行外推预报测试。工程应用表明,基于3种不同单一核函数的粒子群-高斯过程回归算法（PSO-GPR）均能完全适应不同滑坡时序分析,其中以NN核函数外推预测效果最佳,平均相对误差分别为6.37%、7.62%、1.07%,从而改善了在进行不同滑坡变形时序分析时采用单一核函数的核机器外推能力存在较大差异性的问题,提高了单一核函数对不同数据类型的兼容性 相似文献
6.
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
7.
基于改进BP网络算法的隧洞围岩分类 总被引：14，自引：0，他引：14
围岩分类对指导地下工程的设计和施工具有非常重要的意义.引入人工神经网络的方法, 进行隧洞围岩分类, 在传统BP算法的基础上, 通过改进学习算法、优化传递函数和网络结构进行神经网络方法优化.采用附加动量法和学习速率自适应调整的策略改进学习算法, 使得当误差大于上临界值时, 则降低学习率, 当误差小于下临界值时, 则适当提高学习率, 这样可加快网络的训练速度, 确保网络的稳定性; 通过引入调整学习率参数, 使得传递过程更加敏感, 加快了传递函数的收敛速度, 提高了训练函数的计算精度; 通过给定隐含层节点模型的取值范围, 对网络结构进行优化, 提高了泛化精度.将改进的BP网络模型应用于广东省东深供水改造工程的隧洞围岩分类中, 分类结果与根据《水工隧洞设计规范(SL279-2002) 》的分类结果完全一致, 表明该方法具有良好的工程实用性. 相似文献
8.
基于MCMC法的非饱和土渗流参数随机反分析 总被引：2，自引：0，他引：2
基于贝叶斯理论,以马尔可夫链蒙特卡罗方法（Markov chain Monte Carlo Simulation, MCMC法）的自适应差分演化Metropolis算法为参数后验分布抽样计算方法,建立利用时变测试数据的参数随机反分析及模型预测方法。以香港东涌某天然坡地降雨入渗测试为算例,采用自适应差分演化Metropolis算法对时变降雨条件下非饱和土一维渗流模型参数进行随机反分析,研究参数后验分布的统计特性,并分别对校准期和验证期内模型预测孔压和实测值进行比较。研究结果表明,DREAM算法得到的各随机变量后验分布标准差较先验分布均显著减小;经过实测孔压数据的校准,模型计算精度很高,校准期内95%总置信区间的覆盖率达到0.964;验证期第2～4个阶段95%总置信区间的覆盖率分别为0.52、0.79和0.79,模型预测结果与实测值吻合程度较高。 相似文献
9.
膨胀土的胀缩等级判定对膨胀土地区工程建设具有重要的意义。为此,本文提出了一种基于支持向量回归机（SVR）模型的膨胀土胀缩等级预测方法。基于肯尼亚“蒙内铁路”沿线膨胀土的土工试验数据,以土体自由膨胀率作为预测目标,构建了包含两种不同预测指标体系的膨胀土胀缩等级预测模型。模型I以液限、塑限、塑性指数、3种不同粒径的颗粒含量（< 0.075、0.075～0.25、0.25～0.5）、土的类型为输入参数,模型II以液限、塑限、塑性指数、粒径< 0.075的颗粒含量、土的类型为预测参数。两个模型在预测时采用Linear、Polynomial、RBF和Sigmoid核函数进行训练。结果表明:（1）当预测采样次数达到1000次时,训练模型均趋于稳定;（2）整体而言,模型I的预测精度要优于模型II,模型I中采用RBF核函数建立的模型给出了最高准确率86.6%,其次为Linear核函数（准确率82.9%）和Sigmoid和函数（准确率75.1%）。模型II中采用RBF核函数建立的模型给出了最高准确率77.4%,其次为Linear核函数（准确率74.3%）和Sigmoid和函数（准确率72.9%）;（3）采用Linear函数、Sigmoid函数和RBF函数作为核函数模型对44组未知胀缩等级的土样预测时,模型I中三者预测结果相同的数量占比为73%,其余组土样的预测胀缩等级相同或相邻,不存在“越级”现象,模型II中三者预测结果相同的数量占比为68%,不存在“越级”现象。最后,通过与模糊层次分析法评价结果对比,进一步证明了本文研究结果可为肯尼亚等类似地区工程建设中膨胀土的胀缩等级预测和处理提供依据。 相似文献
10.
11.
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
12.
运用伏特拉核函数基本理论,建立了南桐矿区红岩煤矿矿井涌水量的线性、非线性核函数模型,介绍了计算核孙数模型所用的递归算法,同时对模拟结果的残差进行了分析,并用ＡＲ模型进行了改进。 相似文献
13.
Kernel Principal Component Analysis for Efficient,Differentiable Parameterization of Multipoint Geostatistics 总被引：6，自引：5，他引：1
This paper describes a novel approach for creating an efficient, general, and differentiable parameterization of large-scale
non-Gaussian, non-stationary random fields (represented by multipoint geostatistics) that is capable of reproducing complex
geological structures such as channels. Such parameterizations are appropriate for use with gradient-based algorithms applied
to, for example, history-matching or uncertainty propagation. It is known that the standard Karhunen–Loeve (K–L) expansion,
also called linear principal component analysis or PCA, can be used as a differentiable parameterization of input random fields
defining the geological model. The standard K–L model is, however, limited in two respects. It requires an eigen-decomposition
of the covariance matrix of the random field, which is prohibitively expensive for large models. In addition, it preserves
only the two-point statistics of a random field, which is insufficient for reproducing complex structures.
In this work, kernel PCA is applied to address the limitations associated with the standard K–L expansion. Although widely
used in machine learning applications, it does not appear to have found any application for geological model parameterization.
With kernel PCA, an eigen-decomposition of a small matrix called the kernel matrix is performed instead of the full covariance
matrix. The method is much more efficient than the standard K–L procedure. Through use of higher order polynomial kernels,
which implicitly define a high-dimensionality feature space, kernel PCA further enables the preservation of high-order statistics
of the random field, instead of just two-point statistics as in the K–L method. The kernel PCA eigen-decomposition proceeds
using a set of realizations created by geostatistical simulation (honoring two-point or multipoint statistics) rather than
the analytical covariance function. We demonstrate that kernel PCA is capable of generating differentiable parameterizations
that reproduce the essential features of complex geological structures represented by multipoint geostatistics. The kernel
PCA representation is then applied to history match a water flooding problem. This example demonstrates that kernel PCA can
be used with gradient-based history matching to provide models that match production history while maintaining multipoint
geostatistics consistent with the underlying training image. 相似文献
14.
Kiwamu Nishida 《Comptes Rendus Geoscience》2011,343(8-9):584-590
Ambient noise tomography has now been applied at scales ranging from local to global. To discuss the theoretical background of the technique, a simple form of a two-dimensional (2-D) Born sensitivity kernel was developed at a finite frequency for a cross-correlation function (CCF) of background surface waves. The use of far field representations of a Green’s function and a CCF in a spherically symmetric Earth model, assuming a homogeneous source distribution, is an efficient approach to the calculation of phase sensitivity kernels. The forms of a phase sensitivity kernel for major and minor arc propagations are the same as those for phase-velocity measurements of earthquake data. This result indicates the validity of ambient noise tomography under the given assumptions; however, the kernels are not equivalent in the case of an inhomogeneous source distribution. 相似文献
15.
16.
17.
Evaluating the support vector machine for suspended sediment load forecasting based on gamma test 总被引：1，自引：0，他引：1
Sharareh Rashidi Mehdi Vafakhah Elham Kakaei Lafdani Mohammad Reza Javadi 《Arabian Journal of Geosciences》2016,9(11):583
Due to the various influencing factors on river suspended sediment transportation, determining an appropriate input combination for developing the suspended sediment load forecasting model is very important for water resources management. The influence of pre-processing of input variables by Gamma Test (GT) was investigated on performance of Support Vector Machine (SVM) with two kernels; Radial Basis Function (RBF) and polynomial in order to forecast daily suspended sediment amount in the period between 1983 and 2014 at Korkorsar basin, northern Iran. The best input combination was identified using GT and correlation coefficient analysis. Then, the SVM model was developed and the suspended sediment amount was forecasted with RBF and polynomial kernels. The obtained results in testing phase showed that GT-SVM (RBF kernel) model can estimate suspended sediment more accurately with the lowest RMSE (14.045 ton/day), highest correlation coefficient (0.88) and highest NSEC coefficient (0.88) than SVM (RBF kernel) model (RMSE?=?18.36ton/day, \( {R}^2=0.79, \) \( NSEC=0.73 \)) and had a better performance than the other models. The results indicated that in forecasting the first nine maximum values of suspended sediment load, GT-SVM (RBF) had a higher capability than the other models and could provide a more accurate estimation from the maximum rate of suspended sediment. The results of this study showed the capability of identifying the priority of the input parameters can change GT to a useful and technical test for input variables pre-processing to forecast the amount of suspended sediments. 相似文献
18.
为进一步提高堆石坝材料参数反演模型的计算精度与适用性,建立了基于量子遗传算法（QGA）与多输出混合核相关向量机（MMRVM）的自适应反演模型。通过引入混合核函数,使所构建的MMRVM能够高精度地模拟材料参数与大坝沉降间的复杂非线性关系,从而代替耗时较长的有限元（FEM）计算。通过利用参数较固化的QGA优化确定MMRVM核参数,使反演模型具有自适应性。以实测沉降数据为依据,充分发挥QGA的全局搜索能力反演筑坝材料本构模型参数。在分析模型所需测点个数与信噪比对计算结果影响的基础上,通过公伯峡堆石坝应用实例证明：QGA-MMRVM可快速、精确地反演堆石坝筑坝材料本构模型参数,模型凭借其自适应性在实际工程中具有良好的应用前景和推广价值。 相似文献