基于POS-LSSVM的沥青路面性能评价方法

基于支持向量机的结构风险最小化与粒子群算法快速全局优化的特点,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力.选择PCI、RQI、SSI、BPN,4个指标作为评价指标,建立了基于PSO-LSSVM的沥青路面性能评价模型,将该模型用于路面性能评价,获得了令人满意的评价效果.结果表明,支持向量机法可以可靠有效地评价沥青路面性能.     

基于PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

道路交通安全ICPSO_LSSVM预测模型及应用

道路交通安全是城市发展中的重要问题之一,可靠、准确的预测模型是道路交通安全的基础和难点。以万车事故率、万人事故率2个相对指标为目标层,引入免疫系统的抗体选择机制,构造基于免疫机制的免疫粒子群优化算法(ICPSO),以避免标准粒子群算法(PSO)在迭代过程中容易过早收敛而出现局部最优的缺陷。利用优化方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,建立优化最小二乘支持向量机(ICPSO_LSSVM)预测模型,并对湖州市的万车事故率和万人事故率2个指标进行对比分析,以验证所建预测模型的有效性和可行性。     

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。     

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.     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

沙湾特长隧道软弱破碎千枚岩围岩参数敏感性分析与反演研究

为解决甘肃渭武土建试验2标沙湾特长隧道围岩软弱破碎、遇水软化以及强度低等使得围岩力学参数难以准确确定的难题,采用ABAQUS数值计算和正交设计方法进行参数敏感性分析,确定各参数对围岩变形的影响程度。基于粒子群优化的BP神经网络算法建立PSO-BP参数反演分析方法,并编制反分析程序。根据反演的参数进行数值模拟,分析围岩和支护结构位移、应力及塑性区分布情况。研究结果表明： 沙湾隧道围岩位移影响因素重要性依次为黏聚力c、泊松比μ、内摩擦角φ、弹性模量E;PSO-BP参数反演分析方法是一种有效的反分析方法,具有较高的精度。     

CCS水电站地下厂房围岩分类方法研究

以厄瓜多尔CCS水电站地下厂房为研究对象,在综合分析RMR法、Q系统法及水电HC法3种围岩分类的特点及适用范围的基础上,采用3种分类方法对CCS水电站地下厂房洞群围岩进行了分类,并对分类结果进行了对比分析,以RMR法、Q系统法和水电HC法分类结果为基础,采用专家经验对地下厂房围岩进行综合评判,得出各洞段的最终围岩等级。研究结果表明:3种方法分类结果相差较小,分类结果较为可靠;水电HC法以往在国内应用较多,同样适用于国外工程,值得进一步向国际工程推广应用。     

基于支持向量机-粒子群算法的山区公路隧道造价预测

采用最小二乘支持向量机(LSSVM)与粒子群优化算法(PSO)相结合的方法,以隧道工程分项工程技术指标为基本参数,对山区高速公路隧道工程造价进行管理和预测,基于支持向量机算法实现山区高速公路中隧道的工程特性与各分项工程造价指标之间的复杂非线性映射。建立的造价预测模型估算得到的造价与样本的实际造价误差可控制在10%的范围内,说明该预测模型可用于山区高速公路的隧道工程造价估算,并为公路工程造价人员提供了一种实用的工具和方法。     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

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。     

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。     

基于IPSO-LSSVM的污水BOD预测应用研究

生化需氧量（BOD）的快速准确测量对于污水处理过程的调控至关重要。针对污水处理过程中BOD浓度测量时效性较低等问题，选择最小二乘支持向量机（LSSVM）作为BOD浓度预测模型，并选用粒子群优化算法（PSO）优化回归性能参数，同时使用自适应惯性权重计算方法对PSO进行改进，建立了IPSO-LSSVM预测模型。运用预测模型对某污水厂数据进行仿真研究以及3种误差分析，结果表明该模型具有较好的预测精度。     

电动汽车用感应电机的最小二乘支持向量机逆控制EI北大核心CSCD

针对电动汽车驱动用感应电机采用常规PI控制时转速波动较大、调节器参数调节困难等问题,提出了一种基于最小二乘支持向量机(LSSVM)的电动汽车感应电机逆控制法。首先建立了电动汽车驱动用感应电机的数学模型,并证明其可逆。然后利用LSSVM建立感应电机的逆模型,并通过改进的粒子群算法优化LSSVM的参数,将该逆模型串联在原系统中而得到伪线性系统,最后设计线性闭环调节器实现高性能控制。仿真结果表明,与常规PI控制相比,采用LSSVM逆控制时转速跟踪精度显著提高,系统具有较强的鲁棒性。     

电动汽车用感应电机的最小二乘支持向量机逆控制

针对电动汽车驱动用感应电机采用常规PI控制时转速波动较大、调节器参数调节困难等问题,提出了一种基于最小二乘支持向量机(LSSVM)的电动汽车感应电机逆控制法。首先建立了电动汽车驱动用感应电机的数学模型,并证明其可逆。然后利用LSSVM建立感应电机的逆模型,并通过改进的粒子群算法优化LSSVM的参数,将该逆模型串联在原系统中而得到伪线性系统,最后设计线性闭环调节器实现高性能控制。仿真结果表明,与常规PI控制相比,采用LSSVM逆控制时转速跟踪精度显著提高,系统具有较强的鲁棒性。     

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.     

爆破与切割开挖高边墙围岩稳定性分析

文登抽水蓄能电站地下厂房第Ⅰ层爆破开挖完成后,第Ⅱ1层66.0 m高程以下采用无爆破切割工艺进行开挖,施工过程中,围岩应力释放导致厂房上游侧边墙区域出现严重的应力释放造成片帮掉块,圆盘锯切割过程中多次出现卡锯及岩石开裂,严重影响切割取料.为获取高边墙围岩稳定监测资料,指导施工及改进施工技术,对可能危及工程安全的初期或发...     

锂离子电池剩余容量估计与优化分析

锂离子电池剩余容量估计是电动汽车电池管理系统核心技术之一。利用支持向量回归(Support Vector Regression,SVR)进行锂离子电池剩余容量的估计,其参数的选择直接决定着支持向量回归的性能。提出利用粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)对支持向量机进行参数寻优,进行锂电池剩余容量估计分析及优化参数分析;并与基于网格搜索法(Grid Search,GS)的支持向量机和标准支持向量机估计结果作对比。结果表明,GASVR和PSO-SVR均能进行高精度的锂电池剩余容量估计,尤以遗传算法优化性能最佳。     

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。     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。