共查询到20条相似文献，搜索用时 31 毫秒
1.
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
2.
针对传统支持向量机参数寻优的不足导致大坝边坡位移预测精度低的问题,本文提出了先粗搜,再多次细寻的改进网格参数寻优法。该法建立了SVR大坝边坡位移预测模型,并应用到大坝边坡位移预测。结果表明:改进的SVR大坝边坡位移预测模型的预测精度比传统支持向量机大坝边坡位移预测模型预测的精度高。 相似文献
3.
为了使低成本MEMS陀螺仪数据的精度更高,本文提出了一种混合核函数支持向量回归（SVR）的MEMS陀螺仪随机误差预测模型,并通过粒子群优化（PSO）算法对模型参数和核函数参数进行优化;同时通过Allan方差法对SVR预测前后的MEMS陀螺仪随机误差数据进行分析。试验结果表明：混合核函数SVR对MEMS陀螺仪随机误差的预测准确度可达99.99%;当MEMS陀螺仪所处状态不同,但噪声特性相同时,可采用统一的SVR预测模型预测随机误差,研究结果为进一步用于MEMS陀螺仪的实时误差补偿中提供依据。 相似文献
4.
基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 总被引：3，自引：0，他引：3
利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测.预测结果的平均绝对误差和相对误差分别为0.760和7.563％,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性. 相似文献
5.
为了提高地下开采地表下沉预测结果的精度及可靠性,提出了基于混合智能优化算法（hybrid intelligent optimization algorithm,HIOA）与组合核相关向量机（multi-kernel relevance vector machine,MK-RVM）的地下开采地表下沉预测方法。首先,分别构建HIOA与MK-RVM算法,并利用HIOA优化MK-RVM的参数。然后,采用优化后的MK-RVM构建地表下沉几何参数预测模型和动态下沉预测模型。最后,利用以上模型对上山移动角、下山移动角、中心移动角、地表最大下沉及动态下沉进行预测,并分析预测结果的精度及可靠性。实验结果表明,该方法的精度与可靠性较单一核函数相关向量机与支持向量机有较大改善。 相似文献
6.
7.
8.
滑坡位移预测是滑坡灾害实时监测预警的重要组成部分,良好的滑坡位移预测模型有助于预测地质灾害发生。滑坡变形受多种外界因素影响呈现出随机性和非线性的特点,在现有的滑坡位移预测方法中,机器学习方法在滑坡位移预测中得到了广泛的应用。针对滑坡位移预测是趋势项位移和周期项叠加的特点,本文研究采用基于集成经验模态分解(EEMD)的滑坡趋势项和周期项位移提取方法,结合支持向量回归(SVR)模型实现对滑坡的位移预测。首先,详细介绍了该模型的构建过程和预测性能,并以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R2)作为评估模型的预测性能指标。然后,分别利用EEMD-SVR、SVR、Elman模型对贵州省岩溶山区的一处滑坡进行位移预测,结果表明,EEMD-SVR模型连续1 d预测的RMSE值、MAPE值和R2值分别为0.648 mm、0.518%和0.996 8,可以提供更高可靠的滑坡位移预测精度,对同类滑坡的位移预测具有一定的参考价值。 相似文献
9.
宋向荣 《测绘与空间地理信息》2023,(12):177-180
为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。 相似文献
10.
针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。 相似文献
11.
滑坡体除了因自身重力产生位移外,还受到降雨的影响,但通常降雨对滑坡位移的作用具有滞后性。为了分析并预测降雨对滑坡位移的影响,本文提出一种顾及降雨影响的动态优化时滞时序GM(1,2)滑坡位移预测模型。首先,利用经验模态分解(EMD)分解位移序列并通过时间序列重构得到周期位移序列和趋势位移序列,对降雨数据和滑坡周期位移序列进行时滞分析和相关分析,确定时滞时间和影响程度,建立基于背景值优化的动态时滞GM(1,2)模型预测降雨量变化导致的滑坡周期位移变化;然后,建立门限自回归模型预测滑坡趋于自然变化的趋势位移;最后,通过时序叠加得到顾及降雨影响的滑坡预测位移,建立了顾及降雨因素的动态优化时滞时序GM(1,2)组合预测方法。本文以福宁高速公路八尺门滑坡和秭归县八字门滑坡监测数据为例,验证了动态优化时滞GM(1,2)模型的精度,并与其他模型的预测结果进行了对比分析。试验结果表明,动态优化时滞时序GM(1,2)组合预测模型能准确地预测降雨影响导致的滑坡位移变化,预测效果较好,该组合模型对滑坡灾害的预警与防治具有一定的参考价值。 相似文献
12.
结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的. 相似文献
13.
支持向量机回归SVR（Support Vector Regression）方法作为叶面积指数反演的一种新思路,在LAI反演中具有一定的应用价值和前景,但SVR算法中惩罚系数C、核函数宽度参数g、不敏感损失函数参数ε的取值对回归精度有显著的影响。本文提出了一种基于人工蜂群算法ABC（Artificial Bee Colony）优化SVR参数的遥感影像叶面积指数反演方法。研究数据为美国土壤水分实验（SMEX02）2002年LAI实测数据和同期的Landsat 7 ETM+地表反射率数据,为了验证ABC算法优化SVR各个参数对反演精度的影响,建立了未优化参数（SVR）、优化单个参数（ABC-SVR-C,ABC-SVR-g,ABC-SVR-ε）、优化3个参数（ABC-SVR）的3类LAI反演模型,并比较了其回归拟合精度。在此基础上,分析了3个关键参数对LAI反演模型精度的敏感性,并对ABC算法优化SVR模型的精度进行显著性检验。研究表明：（1）相比未优化参数模型,ABC算法优化模型具有更高的反演精度,优化3个参数优于优化单个参数,回归直线斜率k达到0.797、决定系数r2达到0.775。（2）SVR的3个关键参数对模型精度都有影响,相较参数C和g,参数ε引起模型精度的不确定性更高。（3）95%的置信区间下,ABC-SVR模型与SVR模型的回归直线斜率k、r2、RMSE的差异显著性检验P值均小于0.005,ABC算法显著改善了SVR模型的精度。 相似文献
14.
针对传统开采沉陷监测方法的缺陷和现有预测模型精度较低的问题,该文提出了一种基于SBAS-InSAR和差分进化混合灰狼优化算法(DEGWO)优化支持向量机回归(SVR)的预测模型,利用2018年10月-2020年3月的44景Sentinel-1A数据对陕西彬长矿区孟村煤矿进行开采沉陷监测,得到该矿区的年平均沉降速率和时间序列累积沉降值.SBAS-InSAR监测结果表明,该矿区年平均沉降速率最高达到了211 mm/a,最大累积形变量达到335 mm.用矿区GPS数据对InSAR处理结果进行验证,拟合效果较好.并将预测结果与传统SVR预测模型以及灰色GM(1,1)模型的预测结果进行对比,DEGWO-SVR模型的绝对误差、相对误差以及均方根误差,均为三者最小.说明了差分进化混合灰狼优化算法能够起到很好的参数优化效果,该方法优化的SVR预测模型能够在矿区开采沉陷预测中得到应用. 相似文献
15.
山体滑坡位移量预测精度主要受预测模型和参量的影响,而基于回归模型和灰度预测模型的传统滑坡预测模型主要存在模型预测结构单调、引入的预测影响参量不全面、长期性预测精度低等问题,因此,本文基于北斗数据提出了一种基于梯度增强多元回归算法的滑坡预测方法。梯度增强多元回归模型在考虑多重因素的前提下,使用如降水量、土壤湿度、地形参数等滑坡主影响因子作为回归模型参量,同时结合梯度增强方法,可以增强预测模型的有效结构,提升数据的使用率,进而提高长、短期的滑坡位移量预测精度。最后以西宁市南山寺滑坡带为例,考虑降水、地面沉降、地形地貌等诱发滑坡的关键因素,分别基于梯度增强多元回归模型、贝叶斯岭回归模型、弹性网络回归模型及支持向量机回归模型进行试验。结果表明,梯度增强多元回归模型的方差(EV)结果为0.99 mm^(2),均方差(MSE)结果为0.04 mm,平均绝对误差(MAE)结果为0.15 mm,且利用梯度增强多元回归模型对2020年12月的表面位移量进行预测,发现相对误差区间为(-0.8%,0.8%],预测精度最高。因此,相对而言,梯度增强多元回归预测模型精度更优、效率更高,更能准确反映滑坡表面位移量的变化状态,精确地对滑坡体进行全天候监控、预警,保障滑坡体周边环境的安全。 相似文献
16.
为解决现代工程施工中对沉降预测精度提出的更高要求,本研究提出了一种基于粒子群算法(PSO)和支持回归机(SVR)的混合预测模型。依据山西某工程建筑施工沉降监测数据,将其分为建模和测试两部分,分别建立了SVR、PSO-SVR、BP神经网络和多元回归预测模型。最后对模型做试算分析,结果表明:PSO-SVR模型预测精度绝对占优,对实际值具有更强的逼近能力,多元回归模型预测精度相较于PSO-SVR模型略低,但明显优于其它两类智能模型。本文提出的混合模型对解决实际工程中遇到的沉降预测问题非常实用,值得进一步推广应用。 相似文献
17.
18.
滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标，开展处治后滑坡变形预测可提前掌握滑坡稳定性情况，有利于滑坡失稳风险分析，便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况，本文提出了一种采用鸟群算法（BSA）优化BP神经网络的滑坡变形预测方法，借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型，对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明，BSA-BP神经网络预测结果的均方误差和相关系数分别为0.053 4和0.997 6,BP神经网络预测结果的均方误差和相关系数分别为2.225 6和0.968，鸟群算法可有效提高BP神经网络模型的预测精度，能有效应用于处治后滑坡变形预测，研究结果可为处治后滑坡失稳风险预测提供参考。 相似文献
19.
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