共查询到15条相似文献，搜索用时 125 毫秒
1.
为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。 相似文献
2.
地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。 相似文献
3.
在传统支持向量回归机的基础上,考虑观测数据的混沌特性,通过对训练样本的相空间重构,并结合遗传算法在寻参上的优势,建立边坡变形的相空间重构GA-SVR组合模型。通过组合模型对某矿山边坡位移预测值与实测值进行对比分析,发现组合模型在预测精度上更具优势。 相似文献
4.
针对GPS可降水量时间序列具有非线性、非平稳性的特征，研究一种基于小波分解（WD）、遗传算法（GA）和最小二乘支持向量机（LSSVM）的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量；然后利用遗传算法优化LSSVM参数，进而对各分量建立预报模型；再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验，并将预报结果分别与LSSVM和遗传小波神经网络（GA-WNN）预报结果进行对比。结果表明，该组合模型具有良好的泛化能力，可有效解决神经网络易陷于局部极小的问题，提高了全局预报精度。 相似文献
5.
针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。 相似文献
6.
针对最小二乘支持向量机（least squares support vector machine,LSSVM）在区域似大地水准面拟合过程中存在较大模型误差的问题,构建LSSVM-Shepard GPS高程异常转换组合模型。采用LSSVM拟合高程异常中的中长波项,利用Shepard插值模型来泛化去除中长波项的残余项。结合平原地区和高原山区工程实例,分别采用二次曲面模型、LSSVM、Shepard插值模型、二次曲面-Shepard模型、LSSVM-Shepard模型进行高程转换及精度对比。结果表明,新组合模型高程转换精度高于各单一模型,且在平原地区转换效果与二次曲面-Shepard模型基本一致,在高原山区拟合效果优于二次曲面-Shepard模型。 相似文献
7.
建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。 相似文献
8.
针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。 相似文献
9.
提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。 相似文献
10.
针对高含水期水淹层变化的动态特性,提出一种基于主成分分析的最小二乘支持向量机水淹层动态预测方法.该方法应用数据挖掘方法与改进的支持向量机方法,研究高含水期水淹层的分类识别问题,找到测井参数曲线与水淹级别之间的非线性映射关系,建立适合高含水期水淹特征的动态识别模型.它不仅充分考虑各种影响因素,而且利用主成分分析法准确提取... 相似文献
11.
����-֧���������ڴ�Ӱ�ȫ���Ԥ���е�Ӧ�� 总被引：5，自引：3，他引：2
????????????????????г?????????????????μ?????????-??????????????????????????????????????????????????????????????????????????????????????????????????????????С????????????????н???????г????????????????????Ч????á? 相似文献
12.
为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机（LSSVM）和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多MS7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。 相似文献
13.
提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。 相似文献
14.
������С����֧��������������GPS�߳�ת����� 总被引：3，自引：2，他引：1
????GPS???????????ж??????BP?????????溯???????????????????????÷?Χ?????????????????????????????????С???????????????LSSVM??????????????????????LSSVM?????????????????С????????????????????С??????????С??????????в?????????????????????????????????????????????LSSVM????????????????????????????????????????????????????????????????LSSVM?????????GPS??????????? 相似文献
15.
����һ��֧��������̽��GPS�ز���λ������ 总被引：3，自引：1，他引：2
???????????????С??????????????????????????????????????????????????????????????????????????????????GPS?????λ????????е?С????????????????????????????????????????????????????????????GPS?????λ??0.5???С??С???????÷??????????????????????Ч?????????????????????? 相似文献