滚刀岩机作用综合实验台液压系统设计

为满足通过实验平台对滚刀破岩机制进行研究的需要,以滚刀岩机作用综合实验台结构框架为基础,从控制实验台的推进系统入手,通过开发滚刀岩机作用综合实验台电液伺服控制系统,实现了对滚刀破岩推力、推进速等参数进行无级控制,满足了滚刀破岩参数与破岩效率之间的关系研究。     

隧道掘进机滚刀岩机作用实验台的研制

为了观测滚刀破岩的全过程和监测岩石的微破裂,研制隧道掘进机滚刀岩机作用实验台,对立式和卧式2种实验台研制方案进行总结并作出对比选择,对实验台组成、主要构造及安装调试过程进行详细阐述。归纳出实验台可开展的实验项目如下： 1）盘形滚刀受力预测公式的研究; 2）探寻滚刀作用在不同岩石类型的最优破岩刀间距; 3）研究滚刀压力、贯入度及刀间距等关系曲线。结合国家973课题开展相关实验研究,实验结果表明该实验台的应用性、先进性和科学性,实验台的成功研制为滚刀高效破岩机制研究提供公共开放的实验研究平台。      

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。     

盾构施工引起的地表沉降预测及其敏感性分析

盾构施工会扰动地层引起地表沉降,导致地表建筑物倾斜、开裂或是倒塌,地下管线被破坏。因此,盾构施工时有必要对地面沉降进行预测和敏感性因素分析。本文结合某地铁区间的地质资料利用支持向量机建立数学模型,对盾构施工引起的地表沉降进行预测,并与BP神经网络模型的预测结果进行对比。最后,利用灰色关联分析理论对地表沉降进行敏感性分析,为盾构施工提供参考依据。     

支持向量机在路基沉降预测中的应用

在介绍了支持向量机基本原理和实现算法的基础上,将它应用于软土路基填筑施工中的沉降预测,提出了一种有效的预测方法,并构造了预测路基沉降的支持向量机模型。经过与传统BP神经网络方法预报结果比较,表明该方法在较少训练样本的情况下具有精度高、泛化能力强的特点。取得了较BP神经网络建模方法更好的预报效果。为预测填筑施工引起的软土路基沉降提供了一种新的方法。     

基于改进支持向量回归机的锂离子电池剩余寿命预测

为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。     

风化花岗岩地层的盾构滚刀磨损预测研究

为了研究风化花岗岩地层盾构区间盾构机滚刀的磨损状态和使用寿命,采用基于土体性质的线速率分析法、试验段滚刀磨损实测数据的直接判定法和盾构实测掘进参数的间接判定法,对深圳地铁7号线珠光站—龙井站隧道工程盾构机刀盘正面滚刀的使用寿命进行了预测,对施工中的滚刀磨损状态进行了判断。研究结果表明:预测的滚刀磨损量与实测数据误差较小;计算推断的滚刀弦磨情况与盾构开仓检查的结果相符;提出的刀具使用寿命可供施工中换刀里程选取时参考。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

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.     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于机器学习的汽车后视镜气动噪声预测方法

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。     

支持向量机和基于IMF的特征能量法在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了一种基于内禀模态函数(IMF)的特征能量法和支持向量机的变速器轴承故障诊断方法。对变速器轴承内圈、外圈故障振动信号的分析结果表明,该方法在小样本情况下仍可有效提取变速器轴承的故障特征,并能成功地对其工作状态和故障类型进行分类。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

基于粗糙集与支持向量机的推土机故障诊断

提出了一种基于粗糙集理论和支持向量机算法的推土机发动机故障诊断方法。首先利用粗糙集理论对故障诊断决策系统进行约简,消除样本噪声和冗余,然后在此基础上设计支持向量机多分类器,进行故障检测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能提高故障诊断的准确性和效率。     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

支持向量机模型在膨胀土判别中的应用

膨胀土胀缩等级的评判是膨胀土地区工程建设的重要环节,但膨胀土胀缩性与指标集之间的关系至今尚未完全搞清楚。文中根据支持向量机理论,建立了膨胀土胀缩等级评价的支持向量机评价模型。经实际工程检验,证明该法简便,是可行的。     

基于支持向量机理论的经济圈交通网络评价研究

为快速高效地对经济圈交通网络进行评价分析,在确定经济圈交通网络评价指标后,采用新的评价方法——基于支持向量机的综合评价方法,通过计算机编程对样本数据学习,能较好地识别经济圈交通网络的评价等级。支持向量机对小样本、非线性的数据具有较好的学习识别能力,对具有相同数据特性的经济圈交通网络评价指标数据进行模式识别,可以准确地判断经济圈交通网络发展水平所属等级。最后对珠三角和长三角经济圈交通网络评价指标数据进行验证,并与基于BP神经网络的评价方法进行对比分析,结果表明该方法客观、准确,具有较高的评价效率。