融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.     

多元评价体系组合模型在铁路隧道变形预测中的应用

为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。     

复合地层盾构机推进速度SVM预测模型研究

在复合地层盾构法隧道施工中,如何提高盾构机推进速度一直是盾构机设计、施工人员研究的重点。以长沙轨道交通1号线五一广场到营盘路隧道工程为研究背景,现场采集盾构机掘进参数,应用SVM,建立了"五营"区间复合地层盾构机推进速度的预测数学模型,并对模型进行检测,检测结果表明该预测模型对推进速度预测的平均相对误差≤7%,验证了该模型对推进速度预测的有效性。     

隧道底部溶洞顶板安全厚度预测模型

以某公路岩溶隧道为背景,采用二维弹塑性有限元方法对隧道开挖进行数值模拟计算,分析隧道底部溶洞顶板安全厚度的影响因素,研究各影响因素与安全厚度的相关变化规律,并用多元回归和支持向量机方法建立能综合体现各影响因素的溶洞顶板安全厚度预测模型,从而为岩溶隧道设计施工提供一定的科学依据和指导。     

舰船批量建造费用的组合预测应用研究

研究了舰船批量建造费用的组合预测问题.首先依据舰船批量建造费用的变化特点,采用生长曲线法、数据平滑法、灰色分析法对费用进行预测,然后运用支持向量机的回归算法对3种预测方法的预测值进行有机组合,建立了舰船批量建造费用的组合预测模型,最后利用样本数据分析了一个参数变化对预测性能的影响,给出了支持向量机参数选择的依据.仿真结果表明,该模型能明显提高系统预测的精度和稳定性,可用于舰船批量建造费用的预测和估算,具有较大的实用价值.     

支持向量机在货运量预测中的应用研究

在分析现有货运量预测方法所存在问题的基础上,建立了货运量预测的支持向量机模型,并以我国1981～2001年的货运量和相关经济指标的历史统计数据作为学习样本,分别选用3种不同的核函数,通过拟合训练和外推预测分析,验证了支持向量机用于货运量预测的有效性,并对模型中的有关参数进行了探讨分析。     

基于遗传支持向量机的综合管廊土建工程造价估算方法研究

综合管廊工程造价估算具有影响因素多、小样本及非线性的特点,传统的造价估算方法对于这类问题无法得到准确结果。针对这一问题,提出一种基于遗传支持向量机的综合管廊造价估算模型。分析综合管廊工程的具体特征,运用支持向量机建立工程造价与影响因子之间的非线性映射关系,利用遗传算法对支持向量机进行参数优化并对综合管廊的工程造价进行估算。以16条已建综合管廊工程作为数据库样本,对该模型进行分析验证。样本测试结果显示,利用该模型可将估算误差控制在10%以内,验证了模型估算的可行性。     

一种基于SVM的干扰效果评估方法

在深入分析波门拖引式欺骗干扰效果的基础上,引入基于支持向量机(SVM)的评判方法,在构造出具有一般意义的多层完备因素集的基础上,利用模糊数学和机器学习在处理模糊信息上的优势,提出一种充分地利用对抗试验数据的波门拖引式欺骗干扰效果评估方法,并对这种方法提出了看法与展望。     

Using a SVM to evaluate damage to vibration isolators in an elastic raft system

Predicting damage to vibration isolators in a raft experiencing heavy shock loadings from explosions is an important task when designing a raft system. It is also vital to be able to research the vulnerability of heavily shocked floating rafts unreliable, especially when the allowable values The conventional approach to prediction has been or ultimate values of vibration isolators of supposedly uniform standard in a raft actually have differing and uncertain values due to defective workmanship. A new model for predicting damage to vibration isolators in a shocked floating raft system is presented in this paper. It is based on a support vector machine（SVM）, which uses Artificial Intelligence to characterize complicated nonlinear mapping between the impacting environment and damage to the vibration isolators. The effectiveness of the new method for predicting damage was illustrated by numerical simulations, and shown to be effective when relevant parameters of the model were chosen reasonably. The effect determining parameters, including kernel function and penalty factors, has on prediction results is also discussed. It can be concluded that the SVM will probably become a valid tool to study damage or vulnerability in a shocked raft system.     

向量时序SVM-AR模型在公路软土地基沉降中的预测研究

为提高公路软土地基沉降预测的精度,提高工程的安全性,文中分别探讨了SVM模型和时序AR模型适用范围和特点,并结合2类模型各自优点提出SVM-AR模型。该模型用SVM模型预测趋势沉降量,用AR模型预测随机沉降量,然后组合获得预测沉降量。工程实例表明,SVM-AR比SVM模型预测结果更为准确,更好地反映公路软土地基沉降过程。