共查询到19条相似文献，搜索用时 171 毫秒
1.
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
2.
基于PSO和LSSVM的边坡稳定性评价方法 总被引：5，自引：0，他引：5
提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既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,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。 相似文献
3.
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
4.
岩溶地下河日流量预测的小样本非线性时问序列模型 总被引：2，自引：0，他引：2
针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地... 相似文献
5.
进化-最小二乘支持向量机的边坡稳定性估计 总被引：1，自引：0，他引：1
针对最小二乘支持向量机的参数选择问题,用遗传算法来搜索最小二乘支持向量机的相关参数,避免了人工搜索参数的盲目性,提高了模型的推广性能。根据大量的实际边坡工程数据,建立了基于进化-最小二乘支持向量机的边坡稳定性模型,并将其应用于估计丁家河磷矿自然边坡稳定状况。计算结果与工程实际情况一致,表明了该方法的有效性和合理性。 相似文献
6.
7.
基于PSO-SVM非线性时序模型的隧洞围岩变形预报 总被引：2，自引：0，他引：2
现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。 相似文献
8.
基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例 总被引：1，自引：0，他引：1
最小二乘支持向量机是在统计学习理论基础上发展起来的模式识别方法。与传统统计学相比,它能有效解决有限样本、非线性、高维数模型的建立问题,而且建立的模型具有很好的预测性能。岩性识别本质是解决分类问题,本文基于最小二乘支持向量机解决分类问题的优势,首先用GR、CNL、DEN、AC、RLLD等常规测井曲线数据建立样本空间;然后通过耦合模拟退火和交叉验证的方法寻找最佳参数,优化最小二乘支持向量机分类器;最后建立了最小二乘支持向量机岩性识别模型。通过取心段岩心描述和岩心/岩屑薄片鉴定,确定辽河盆地40口井315 m井段2 520个岩性样品作为训练样本,建立岩性识别标准。对8口井13 866 m井段110 928个火山岩数据采样点进行测井识别,可识别致密玄武岩、气孔玄武岩、粗面岩等8种主要火山岩类型。识别结果与8口测试井中316个有取心段岩心描述和岩心/岩屑薄片的精确岩矿定名对比,符合率达到75.2%,与以往测井识别复杂火山岩岩性相比,在识别准确率和效率上都有明显提高。 相似文献
9.
基于LSSVM与MCS的路基沉降可靠度分析 总被引：1，自引：0，他引：1
提出了一种计算路基沉降可靠度的新方法。基于FLAC中的修正剑桥模型,以最小二乘支持向量机为核心技术,结合蒙特卡罗法构建计算模型。由于修正剑桥模型参数较多,对模型参数进行了敏感性分析,将对沉降影响较大的参数确定为随机变量。选取训练样本对支持向量机进行训练,按照随机变量的概率分布进行抽样,馈送到最小二乘支持向量机得到相应的响应值,用Matlab编制程序完成可靠度计算,并进行了算例分析。计算结果表明,蒙特卡罗法结合支持向量机的沉降可靠度计算方法应用于公路软基沉降可靠度计算是可行的。 相似文献
10.
最小二乘支持向量机方法(LSSVM)在处理小样本、高维数、非线性的问题时,具有求解速度快、易于描述非线性关系的优良特性。但是,该方法得到的模型拟合精度和泛化能力依赖于其相关参数,因此,提出基于粒子群优化算法(PSO)的LSSVM参数优选方法。最后,用该模型对巷道围岩松动圈进行了预测研究。结果表明,PSO优化的LSSVM模型具有收敛速度快、计算精度高的特点,说明该模型是合理、有效的。 相似文献
11.
基于AGA的SVM需水预测模型研究 总被引：1，自引：0，他引：1
需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度. 相似文献
12.
13.
支持向量机在砂土液化预测中的应用研究 总被引：4，自引：0，他引：4
介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。 相似文献
14.
针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法. 相似文献
15.
基于聚类-二叉树支持向量机的砂土液化预测模型 总被引：3，自引：1，他引：2
建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别 相似文献
16.
基于网格搜索法优化支持向量机的围岩稳定性分类模型 总被引：1，自引：0，他引：1
为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。 相似文献
17.
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
18.
能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。 相似文献
19.
为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。 相似文献