最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

基于蚁群优化支持向量机的公路隧道围岩变形预测模型及应用

为及时掌握隧道施工中围岩变形趋势以便采取措施加以控制,采用基于结构风险最小化的支持向量机(SVM)进行预测。介绍支持向量机的基本原理,研究蚁群算法(ACO)实现支持向量机参数优化的方法,构建ACOSVM模型。对某公路隧道随机选取的2个监测断面的预测结果表明,该模型预测精度较高,泛化性能较好,用蚁群算法进行SVM参数优选是一种简单、优选的方法,可以有效指导隧道的施工。     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

堤坝管涌发生的预测方法研究

分析了堤坝管涌发生的机理和影响堤坝管涌发生的重要因素,选取了8个实测指标作为预测依据,建立了距离判别分析模型和支持向量机法的堤坝管涌预测方法,并和神经网络方法进行了对比分析。通过对23个堤防管涌工程实例的研究表明,距离判剐法和支持向量机法预测模型性能良好。基于神经网络核函数和径向基核函数的支持向量机具有更高的预测精度,支持向量机法是解决堤坝管涌预测问题的有效方法,可以在实际中应用。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

基于遗传算法优化支持向量机的再生混凝土抗压强度预测模型

针对再生混凝土抗压强度预测问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的抗压强度预测模型。利用遗传算法对SVM的参数进行优化,并得到优化的SVM预测模型。仿真试验结果表明:与BP神经网络和传统SVM的预测结果相比,基于遗传算法优化支持向量机模型的预测精度更高。     

隧道围岩稳定性改进模糊概率模型及其应用研究

为更加准确有效地判别隧道围岩稳定性,引入RandWPSO-LSSVM(随机权重粒子群算法-最小二乘支持向量机)围岩极限位 移预测模型,对传统模型的隶属函数进行优化,建立围岩稳定性改进模糊概率模型。基于改进模型方法,由围岩位移预测值u、预测 位移标准差、围岩极限位移预测值U 及预测极限位移标准差即可求解隧道围岩稳定概率,并结合8 个工程算例对模型进行验证。 结果表明,改进模型解决了传统模型隶属函数存在的极限位移取值范围不合理的问题,且有效消除了隶属函数线性简化处理导致 的偏差,由其计算的稳定概率与实际情况吻合较好,围岩稳定性评价结果的可靠性更高; 将改进模型应用于实际工程的隧道围岩 稳定性判别中,计算结果能够较好地反映实际工程情况。     

基于支持向量机的气压辅助掘进条件下盾构隧道地表变形预测研究

与常规土压平衡盾构掘进相比,气压辅助掘进条件下的地表变形过程更为复杂。为提高预测模型的工程适应性,准确预测气压辅助条件下的地表变形量,保障该条件下盾构顺利掘进,引入支持向量机(SVM)理论,利用粒子群算法(PSO)对支持向量机的超参数组合进行优化;同时,优化模型输入参数,将隧道上覆黏土层厚度和气压值设为输入参数,并针对上覆非均质土层改进模型参数计算方法,建立适用于气压辅助掘进的PSO-SVM地表变形预测模型。为验证预测模型的准确性和实用性,以广州地铁18号线陇枕出入场线某一区间为例,使用优化了输入参数的模型进行预测,并在此基础上,综合采用PSO-SVM、SVM和PSO-BP3种模型进行地表变形预测分析。结果表明:1)针对气压辅助掘进工法优化输入参数的PSO-SVM模型可以较好地满足工程需要;2)PSO-SVM模型的适应性显著高于PSO-BP和SVM模型,具有较好的工程适用性。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于掘进参量反演的TBM围岩等级预测识别方法研究

为探究TBM掘进参量和围岩等级关系，达到岩机信息互馈感知动态调整，辅助TBM主司机优化调整掘进参数的目的。采用数据清洗、分布统计和智能预测等手段,建立了一种基于自组织神经网络聚类和最小二乘支持向量机相结合的围岩等级预测识别方法（SOM-SVM）。主要结论如下： 1）单个完整TBM掘进循环可分为空推段、上升段与稳定段，各掘进参量近似服从正态分布关系。2）推力切深指数（FPI）和刀盘转矩旋转切深指数（TPI）可反映隧道岩石掘进难易程度，FPT、TPI和围岩等级近似呈线性关系，可用该参量作为岩机敏感因子反演预测识别围岩等级。3）干扰异常数据样本点的预处理对SOM-SVM围岩预测模型收敛中心和波动半径有一定影响，数据预处理是保证围岩等级预测识别准确的关键。4）经标准试验数据样本和工程数据验证，不同的支持向量机核函数对围岩等级预测识别影响很大，线性核、多项式核、高斯径向基核函数围岩综合识别率分别为70.8%、81.2%、87.6%，围岩等级预测识别模型预测精度高、鲁棒性好。     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于GA-SVM的隧道围岩分类研究

隧道工程围岩的类别是评价隧道工程地质条件的一个综合性量化指标,是进行隧道工程建设的基础。为快速、有效地判别围岩类型,提出了将因子分析(FA)与改进的支持向量机(GA-SVM)相结合的隧洞围岩分类模型。首先,根据岩体岩性、地质构造、岩体结构等特性,选取岩石质量指标、完整性系数、单轴饱和抗压强度、纵波波速、弹性抗力系数和结构面摩擦系数6个指标作为隧洞围岩分类的初始判别指标。其次,采用因子分析理论对原始指标变量进行属性约简,提取了公共因子,减少了判别指标之间信息冗余。最后,利用遗传算法(GA)优化支持向量机(SVM)的惩罚因子C和核函数参数σ,并将提取出的公共因子作为GA-SVM模型的输入变量,建立了基于因子分析的GA-SVM隧洞围岩分类模型。将现场勘测的29组围岩数据作为训练数据,另用7组数据作为测试数据,同时将该模型分类结果与SVM、BPNN、FDA模型分类结果进行了对比。结果表明:因子分析可以有效地提取围岩分类指标,降低指标间信息重复度;利用GA优化参数可以提高SVM模型的精度与泛化能力;用该模型预测隧洞围岩的类别与实际分类相吻合,其错误预测率为0,研究成果可为隧洞围岩快速分类提供一种新思路。     

基于支持向量机的城市快速路交通拥堵识别方法

首先提出一种基于交通流量-交通密度的二维空间下的交通状态分类方法,在此基础上,构建对拥堵状态和非拥堵状态识别的支持向量机分类器;其次,设计基于支持向量机的城市快速路交通拥堵识别方法的步骤;最后,以西安市南二环快速路采集的交通参数数据为例,对比验证了在不同支持向量机(SVM)分离器下本文提出的城市快速路交通拥堵识别方法的有效性.研究表明:SVM线性核函数分类器的识别正确率(识别正确率均值为91.65%)高于多项式核函数等其他核函数分类器,说明交通拥堵识别的具有良好的线性可分性;不同核函数分类器的识别正确率均高于90%,说明本文设计城市快速路交通拥堵识别方法具有良好的识别性能.     

基于支持向量机的沥青路面使用性能预测探究

在考虑模型的二次损失函数下,对传统SVM进行扩展开进,得到基于最小二乘支持向量机(LS—SV M)的回归模型,利用支持向量机(SVM)具有的泛华能力,通过非线性映射构建一个高维空间的最优超平面,来进行评价计算。通过对选取的样本的归一化处理,确定LS—SVM输入向量数量指标,引入拉格拉日函数进行变化,获得函数的对偶关系,从而在保证LS—SVM的训练速度和预测精度,快速寻找到模型的解。最后通过算例验证了模型在拟合过程和预测经过精度方相较于其他模型具有明显的优势,能有效满足实际工程应用需求。     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。     

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。     

基于LS-SVM的连续宽箱梁桥施工控制的研究

为保障连续梁桥悬臂施工的精度,保证桥梁线性符合设计要求,需要对合拢时的梁体标高和应力进行预测和控制。应用最小二乘支持向量机(LS-SVM)并借助Matlab工具箱建立预测模型,以标高和应力为研究参数,对比分析预测值与实测值,验证了最小二乘支持向量机(LS-SVM)在连续箱梁桥施工控制中的可行性和准确性。     

SVM在缸套—活塞磨损状态监测中的应用研究

以发动机振动信号的5个时域及幅域特征(二次矩、四次矩、最大绝对值、时间二次矩和最大幅值点)为特征参数,以4类间隙值作为预测结果,建立了基于RBF核函数支持向量机(SVM)的缸套—活塞磨损间隙预测模型。通过仿真试验研究了核宽度σ和惩罚系数C对分类器性能的影响,结果表明,选择合适的σ和C值可以使分类器的性能达到最佳,为缸套—活塞磨损状态监测提供了一条新思路。     

一种基于视频序列的城市快速路交通状态分类方法

研发智能交通系统(ITS)是目前世界上各个国家交通运输领域技术发展的热点之一.而交通状态的有效分类和识别是ITS中主要子系统和重要功能之一.针对传统提取交通参数方法在拥堵状态下准确率偏低的情况,文中提出一种基于视频序列的城市快速路交通状态分类方法.定义并从视频序列中获取时空线序列符,该时空信息存在大量的数据冗余,因此通过主成分分析方法(PCA)进行降维与特征提取;通过主观评价方式,选取畅通和拥堵交通状态下样本输入支持向量机(SVM),根据实验仿真结果选择高斯径向基核函数作为核函数来解决特征数据非线性的问题,并通过参数调优构建出交通状态二分类的最优模型.实验表明,时空线序列符和主成分分析的方法可以很好地应用于交通状态分类当中.