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....     

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.     

基于支持向量机与神经网络法的路基沉降预测对比研究

城市地铁车辆段整体道床区路基对工后沉降有严格要求。为保证路基沉降观测数据的可靠性,首先采用沉降观测异常数据判别方法,对沉降数据进行了预处理;根据路基沉降数据的特性,分别以支持向量机和神经网络法为核心技术构建了路基沉降预测模型,并通过工程实例详细介绍了预测方法与过程。对比分析表明:基于支持向量机和神经网络法构建的预测模型均有较好的预测精度;预测结果显示,依托工程路基沉降已基本趋于稳定,运营期不会发生较大的工后沉降,现有地基处理与路基填筑压实的施工方法是有效的。     

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。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于支持向量机的动力电池故障诊断

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系,采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号,用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系,生成模糊数据库,用支持向量机对数据进行训练和测试,由结果可知该方法有较高的准确性。     

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于支持向量机的车辆自动分类方法

提出一种基于支持向量机(Support Vectir Machine，SVM)理论的车辆分类方法，通过CCD摄像机采集标准车辆图像，由边缘检测算法获取图像中的车辆特征数据长度和宽度作为训练样本，离线训练SVM，得到分离器，然后将测试车辆的特征数据作为测试样本，根据本文提出的分类方法，通过离线获得的分类器对车辆类型进行判决，从而为交通参数的准确检测提供依据。实验表明SVM在有限训练样本情况下具有良好的泛化能力。     

基于支持向量机的城市私人汽车保有量滚动预测

针对城市私人汽车保有量增长预测问题,在对支持向量机理论进行改进的基础上,进行滚动预测研究。在对已有的机动车保有量预测模型进行对比分析的基础上,建立了基于支持向量机的私人汽车保有量滚动预测模型,并利用北京市私家车保有量历史数据对滚动预测模型进行了实证分析。结果表明该预测模型具有较高的预测精度、符合实际需求、具有广泛的应用前景。     

基于支持向量机的水泥抗压强度预测

利用支持向量机结构简单、学习性能出色和较强的推广性等优点,通过对已有实例样本的学习,建立了水泥28d抗压强度与其各影响因素之间的高度非线性映射关系,然后用样本学到的新关系预测新的水泥抗压强度,并将预测结果与传统回归分析、神经网络预测结果进行了对比。研究表明,与传统的方法相比,支持向量机方法精度较高、相对误差小,为预测水泥28d抗压强度提供了一条新途径。     

基于支持向量机的车牌字符识别

支持向量机(Support Vector Machines,简称SVM)能够有效地解决小样本学习、非线性及高维模式识别等问题。对此提出了在无特征提取情况下基于SVM的车牌字符识别方法,通过实验选定二次多项式作为核函数,并将基于SVM的车牌字符识别与基于BP神经网络的车牌字符识别进行了实验对比。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

基于支持向量机的超早强混凝土抗压强度预测研究

近年来,工程中对超早强混凝土的要求越来越严格,不仅要求在规定时间内达到一定强度,而且还要求经济效益最大化。超早强混凝土强度受多种因素的影响,其抗压强度预测是一个复杂的过程。因此,基于支持向量机理论,建立超早强混凝土抗压强度预测模型,选用不同的核函数及其参数进行预测,将预测值与实测值相对比,得出最优的核函数。经研究发现:线性核函数与RBF核函数的预测结果与实测值吻合较好,RBF核函数的预测值更加接近实测值。     

基于支持向量机的沥青路面使用性能评价

路面使用性能决定了路面维修养护的方法。但沥青路面使用性能4个指标：PCI、SSI、SRI和IRI中路面状况指数检测困难。支持向量机是具有严格统计学习理论的新型学习方法。它对解决小样本非线性等问题具特有的优势。基于支持向量机理论,分析沥青路面使用性能4个指标间的关系,建立了SSI、SRI、IRI实测数据对PCI的预测模型,获得了令人满意的预估效果。结果表明,支持向量机是沥青路面性能评估的简单有效的方法。     

基于支持向量机的装载机齿轮箱故障智能诊断研究

在分析现有齿轮箱故障诊断方法的基础上,提出了采用多分类器支持向量机齿轮箱故障智能诊断方法,简介了该方法的系统结构、实现原理、特征提取与故障类别,重点讨论了齿轮箱故障多分类器支持向量机智能诊断模型与算法。仿真试验结果说明了采用多分类器支持向量机智能方法进行齿轮箱故障智能诊断的可行性与正确性。     

混凝土连续梁桥施工线形控制中的温度影响

以内蒙古包头镫口黄河特大桥施工监控为背景,通过有限元计算和现场实测两种方法分析了温度变化对桥梁施工线形控制的影响;运用灰色系统理论中的新陈代谢GM(1,1)模型建立起温度挠度的预测模型,预测结果表明该模型精度较高,可以用于温度挠度的预测;最后给出了温度变化对桥梁施工线形控制影响的改进方法。实际监控表明:该方法简单可行,能够较好地修正温度变化对桥梁施工线形控制的影响,对今后同类型的工程具有一定的借鉴意义。     

灰色系统理论在连续梁桥施工控制中的应用

根据预测控制理论的基本算法原理,建立了连续梁桥施工控制中的GM(1,1)模型,探讨了灰色系统理论在大跨度预应力混凝土连续梁桥施工控制中的应用,并结合一座大跨度预应力混凝土连续梁桥的悬臂施工实践,说明灰色系统理论能较好地应用于此类桥梁的施工控制中.     

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。     

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。     

基于支持向量机的单桩竖向极限承载力预测

在综合了各种单桩竖向极限承载力分析方法的基础上,建立了相应的单桩竖向极限承载力预测模型。以实测数据为学习样本和测试样本,讨论了基于支持向量机的单桩竖向极限承载力分析方法及其可行性。研究表明,该法更能反映桩的实际受力过程,具有一定的工程应用价值。