共查询到17条相似文献，搜索用时 156 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.
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
3.
基于正交设计下SVM滑坡变形时序回归预测的超参数选择 总被引：2，自引：0，他引：2
超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。 相似文献
4.
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
5.
6.
边坡稳定性与其影响因素之间存在着复杂的非线性关系。通过分析影响边坡稳定性的主要因素,采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用连续蚁群算法对其进行优化选择,从而提出边坡稳定性预测的蚁群优化支持向量机模型。锦屏一级右岸拱肩槽部位谷坡为顺向坡,绝大部分基岩裸露,自然边坡为大理岩边坡,现状稳定。结合锦屏一级右岸拱肩槽边坡,采用蚁群优化支持向量机模型对其稳定性进行预测分析,预测结果与实际情况吻合较好,说明蚁群优化支持向量机模型在边坡稳定性分析中具有良好的实际应用价值。 相似文献
7.
8.
滑坡位移的多模态支持向量机模型预测 总被引：1，自引：0，他引：1
将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性 相似文献
9.
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
10.
提出了基于支持向量机（SVM）的边坡可靠度分析新算法。该方法采用均匀设计确定样本点,通过一定数量的确定性计算来训练SVM,拟合边坡的功能函数;采用一阶可靠度方法（FORM）和迭代算法优化SVM模型,获得可靠度指标和验算点信息;在SVM模型基础上进一步通过二阶可靠度方法（SORM）和蒙特卡罗模拟（MCS）计算边坡的失稳概率。以两个典型边坡为例,通过与其他方法比较,证明了该方法的准确性和高效性。结果表明：提出的在标准正态空间（U空间）中取样并构建SVM,在原始空间（X空间）中计算功能函数的算法,有效地解决了具有相关非正态分布变量的可靠度分析问题,并且可很容易扩展到SORM的计算。算例结果证明,该方法的精度高于FORM;而效率优于MCS。分析过程中,边坡安全系数计算和可靠度分析相互独立。因此,该方法既适用于具有显式功能函数的简单问题,也适用于需要软件计算安全系数的实际边坡问题。 相似文献
11.
高斯过程机器学习在边坡稳定性评价中的应用 总被引：2，自引：1，他引：1
针对边坡工程是复杂的非线性系统,采用常规的理论分析和数值计算方法难以满足对边坡稳定性评价的高精度与快速性的要求,为此,提出对处理非线性复杂问题具有很好的适应性一种有概率意义的核学习机--高斯过程机器学习方法来解决边坡稳定性的合理评价问题,建立了相应的边坡稳定性预测模型。工程应用研究结果表明,采用高斯过程机器学习方法进行边坡稳定性评价是科学可行的,该方法能很好地表达边坡稳定性与各影响因素之间的非线性映射关系,能方便快捷地给出合理可靠且具有概率意义的边坡稳定状态评价结果,为实现边坡快速设计的工程实践要求提供了一条新的途径。 相似文献
12.
This paper evaluates the potential of two machine learning approaches i.e. Support vector machine (SVR) and Gaussian processes (GP) regression to model the oblique load capacity of batter pile groups. Linear regression was used to compare the performance of both SVR and GP based regression approaches to model the oblique load. Data set used consists of 147 samples obtained from the laboratory experiments. Out of the total sample size, 105 randomly selected samples were used for training whereas remaining 42 were used for testing the models. Input data set consist of angle of oblique load, pile length, sand relative density, number of vertical piles, number of batter piles where as oblique load was considered as output. Two kernel functions i.e. Polynomial and radial based kernel function were used with both SVR and GP regression. A comparison of results suggest that radial basis function based SVR approach works well in comparison to GP and linear regression based approaches and it could successfully be employed in modelling the oblique load capacity of batter pile groups. Parametric analysis and sensitivity analysis suggest that loading angle, pile length and number of batter pile were important in prediction of oblique load. 相似文献
13.
This paper examines the potential of relevance vector machine (RVM) in slope stability analysis. The nonlinear relationship between slope stability and its influence factors is presented by the relevance vector learning mechanism based on a kernel‐based Bayesian framework. The six input variables used for the RVM for the prediction of stability slope are density (γ), friction angle (C), friction coefficient (?), slope angle (?r), slope height (H), and pore water pressure (ru). Comparison of RVM with some other methods is also presented. RVM has been used to compute the error bar. The results presented in this paper clearly highlight that the RVM is a robust tool for the prediction of slope stability. The experimental results show the effectiveness of the proposed approach. Copyright © 2011 John Wiley & Sons, Ltd. 相似文献
14.
Accurate prediction of slope stability is a significant issue in geomechanics with many artificial intelligence (AI) techniques being utilised. However, the application of AI has not reached its full potential because of the lack of more robust algorithms. In this paper, we proposed a hybrid ensemble method for the improved prediction of slope stability using classifier ensembles and genetic algorithm. Gaussian process classification, quadratic discriminant analysis, support vector machine, artificial neural networks, adaptive boosted decision trees, and k‐nearest neighbours were chosen to be individual AI techniques, and the weighted majority voting was used as the combination method. Validation method was chosen to be the 10‐fold cross‐validation, and performance measures were selected to be the accuracy, the receiver operating characteristic curve, and the area under the receiver operating characteristic curve (AUC). Grid search and genetic algorithm were used for the hyperparameter tuning and weight tuning respectively. The results show that the proposed hybrid ensemble method has great potential in improving the prediction of slope stability. Compared with individual classifiers, the optimum ensemble classifier achieved the highest AUC value (0.943) and the highest accuracy (0.902) on the testing set, denoting that the predictive performance has been improved. The optimum ensemble classifier with the Youden's cut‐off was recommended for slope stability prediction with respect to the AUC value, the accuracy, the true positive rate, and the true negative rate. This research indicates that the use of the classifier ensembles, rather than the search for the ideal individual classifiers, might help for the slope stability prediction. 相似文献
15.
滑坡累积位移监测曲线往往呈现出复杂的非线性增长特性,对此建立了不少相关的预测模型,而以往的预测模型存在着许多不足。本文基于小波函数（Wavelet Analysis,WA）,ELM与OS-ELM,提出一种名为WA联合ELM、OS-ELM的预测方法。首先,该方法基于小波函数,将滑坡累积位移分解成受内部地质条件影响的趋势项和受外部影响因子影响的周期项;然后,基于ELM与OS-ELM分别对趋势项和周期项进行预测;最后将趋势项和周期项的预测值叠加得到累积位移的预测值。结果表明,小波函数得到的趋势项展现出良好的趋势性,而周期项也展现出良好的周期性;以Sigmoid方程为核函数,隐含层神经元个数为33的ELM模型能准确高效对趋势项进行预测,而以RBF方程为核函数,隐含层神经元个数为100的OS-ELM模型能准确高效对周期项进行预测;累积位移预测数据的RMSE分别为0.1423和0.1315,预测结果相对较好,能够在滑坡位移预测领域发挥一定的作用。 相似文献
16.
一种基于核学习的储集层渗透率预测新方法 总被引：2，自引：1，他引：2
基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。 相似文献
17.
This paper investigates the potential of two variants of extreme learning machine based regression approaches in predicting the resilient modulus of cohesive soils. Support vector regression was used to compare the performance of the proposed extreme learning machine based regression approaches. The dataset used in this study was derived from literature and consists of 9 input parameters with a total of 891 cases. For testing, two methods i.e. train/test and tenfold cross validation was used. In case of train and test methods, a total of 594 randomly selected cases were used to train different algorithms and the remaining 297 data were used to test the created models. Correlation coefficient value of 0.991 (root mean square error = 3.47 MPa) was achieved by polynomial kernel based extreme learning machine in comparison to 0.990 and 0.990 (root mean square error = 4.790 and 4.290 MPa) by simple extreme learning machine and radial basis kernel function based support vector regression respectively with test dataset. Comparisons of results with tenfold cross validation also suggest that polynomial kernel based extreme learning machine works well in terms of root mean square error and computational cost with the used dataset. Sensitivity analysis suggests the importance of confining stress and deviator stress in predicting the resilient modulus when using with polynomial kernel based extreme learning machine modeling approach. 相似文献