共查询到20条相似文献，搜索用时 27 毫秒
1.
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
2.
人工蜂群算法优化的SVM遥感影像分类 总被引：2，自引：0，他引：2
SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。 相似文献
3.
局部均值分解(Local Mean Decomposition,LMD)算法在对建筑物变形监测数据进行噪声抑制时存在端点效应及阈值设置困难问题,提出一种基于噪声辅助和奇异值分解(Singular Value Decomposi-tion,SVD)改进的LMD噪声抑制方法,首先通过对原始变形数据加入受控高斯白噪声再进行LMD分解的方式解决传统LMD方法的端点效应问题,然后利用连续熵差值特征确定LMD分解的高频分量和低频分量分界点,其中低频分量为变形趋势信息,高频分量包含噪声分量和变形信息,最后利用SVD对高频分量进行噪声抑制,并将其与低频分量叠加得到噪声抑制后的建筑物变形信息.采用仿真数据和实际工程实例对所提方法的噪声抑制性能进行验证,结果表明相对于传统LMD方法,经验模态分解方法(Empirical Mode Decomposition,EMD),所提方法可以获得更好的噪声抑制性能,能够明显提升建筑物变形预测精度. 相似文献
4.
粒子群优化算法用于高光谱遥感影像分类的自动波段选择 总被引：1，自引：0，他引：1
针对传统SVM分类方法的缺点,采用粒子群优化(particle swarm optimization,PSO)算法自动选择合适的渡段影像并对SVM核函数参数进行优化,提出一种新的PSO-BSSVM分类模型.经过对高光谱遥感影像的分类试验,并与K_最近邻(K-NN)、径向基神经网络(RBF-NN)和标准的支持向量机(SVM)三种分类方法进行对比实验,证明PSO-BSSVM方法能优选高光谱遥感影像的波段和优化SVM参数,明显提高影像的分类精度. 相似文献
5.
针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。 相似文献
6.
7.
针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。 相似文献
8.
黄振贵 《测绘与空间地理信息》2021,44(7):221-224
变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(1,1)模型对未来形变进行预测.采用两例典型实例对所提小波GM(1,1)模型和传统GM(1,1)模型的建筑物形变预测性能进行对比评估,结果表明所提方法能够获得更高的预测精度,对不同数据的适应性和泛化能力更强,可满足实际工程应用需求. 相似文献
9.
10.
提出结合ReliefF算法、遗传算法(Genetic algorithm,GA)和支持向量机(Support Vector Machine,SVM)的高分辨率遥感影像建筑物目标识别特征选择算法。首先使用ReliefF算法进行初步的特征筛选,然后将SVM参数和特征子集编码到GA染色体中,以SVM识别精度构建适应度函数,同时优化特征子集和SVM参数。实验结果表明,将文中算法应用于建筑物目标识别,能以较小的特征子集和较短的优化时间达到较高的识别精度。 相似文献
11.
针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。 相似文献
12.
针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。 相似文献
13.
14.
GNSS和加速度计是目前动态监测超高建筑环境载荷变形的主要手段。GNSS具有无需通视、可直接获取三维位移等优点，但受精度和采样率的限制，其对微变形及高频振动信息不敏感；而加速度计具有高精度和高采样率等优点，但无法监测超高建筑低频的似静态变形。为充分发挥这两种传感器的各自优势，提出利用多速率Kalman滤波和RTS平滑方法对超高建筑GNSS和加速度计监测数据进行融合处理。试验结果表明，与单一的GNSS监测技术相比，该方法有利于削弱GNSS高频噪声的影响，提高位移数据的采样率，可有效识别超高建筑的低频和高频振动频率，提高对微变形振动的监测能力；与单一的加速度计监测技术相比，该方法可以准确监测超高建筑的低频变形信息，具有良好的工程应用价值。 相似文献
15.
为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。 相似文献
16.
超高层建筑变形监测是后续超高层建筑维护与修缮的重要内容．目前我国北斗卫星导航系统（BDS）已被广泛应用于建筑物的变形监测,本文利用BDS精密单点定位技术(PPP),根据高频超高层建筑BDS变形监测数据,以静态网解算三维坐标为基准,分析超高层建筑复杂环境下BDS数据质量、PPP定位精度以及超高层变形趋势．研究结果表明,在监测时间段内,BDS卫星数多于GPS,空间几何分布精度略低于GPS,观测时间达1 h以上开始收敛,水平向定位精度可以达到1 cm,竖直向定位精度可以达到2 cm,能满足超高层建筑变形监测的精度要求,可为今后的超高层建筑变形监测提供一种新的技术手段． 相似文献
17.
为保证高层建筑物的正常使用寿命和建筑物的安全性,在对其施工中,根据施工进度必须按规定对其进行沉降观测。本文对高层建筑的沉降原因、观测精度和频率的确定、基准网点及观测点布设、观测方法等方面进行了讨论,并根据观测实例进行变形分析。 相似文献
18.
针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。 相似文献
19.
常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。 相似文献
20.
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