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....     

支持向量机在汽车加速车内声品质预测中的应用

应用支持向量机方法对汽车加速时车内声品质进行预测。以噪声样本的响度、尖锐度、粗糙度、AI指数等客观评价参量作为输入因子,主观烦躁度评价结果作为输出因子,利用支持向量机回归方法建立了汽车加速车内声品质的预测模型。对比结果表明,与多元线性回归模型相比,基于支持向量机的汽车加速车内声品质预测模型能够更准确地反映客观评价参量与主观烦躁度之间的非线性映射关系,预测精度更高。     

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.     

支持向量机方法在桥墩冲击试验中的应用研究

以干湿循环和腐蚀环境下混凝土桥墩抗侧向冲击试验为基础,获得了在不同的通电时间下钢筋的锈蚀率及在不同冲击工况下钢筋的应变值。以这些试验数据为样本,供支持向量机学习。预测过程中核函数采用径向基核函数,径向基的宽度和惩罚因子根据实际情况选择不同的值。使用支持向量机的黑箱建模方法对受腐蚀试件的钢筋锈蚀率进行预测,验证了所提出的基于支持向量机钢筋腐蚀率预测方法的有效性。同时对钢筋的应变进行预测,预测结果与试验实际结果吻合较好。     

基于支持向量机的重力式挡土墙优化设计

文章提出了一种基于支持向量机（SVM）的挡土墙优化设计方法,首先通过均匀试验设计构造输入向量,然后结合有限元计算输出向量构成学习样本,再利用SVM拟合响应面关系并预测通过蒙特卡洛模拟生成的多组随机样本结果,从中筛选满足优化准则约束条件的样本作为优化设计最优解。工程实例优化结果表明,该方法不仅计算高效,而且优化效果显著,具有很好的经济效益和工程意义。     

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GA-SVM优化方法的PC斜拉桥线形控制分析

通过将遗传算法和支持向量机相结合,建立了用于PC斜拉桥主梁标高误差预测的自适应GA-SVM模型。采用遗传算法对传统的支持向量机进行改进,利用其强大的全局搜索能力求解出支持向量机的最佳参数组合。将该模型用于梅溪河斜拉桥施工过程主梁标高误差预测。结果表明:该模型具有较高的学习和泛化推广能力,给出的预测结果令人满意。     

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。     

振动搅拌对水泥稳定碎石力学性能的影响与拟合分析

为分析振动搅拌水泥稳定碎石基层后期力学性能发展规律对工程质量的影响，进行7～180 d龄期振动搅拌与普通静力搅拌水泥稳定碎石的无侧限抗压强度、间接抗拉强度和动态回弹模量试验，并着重对结果进行拟合与预测。研究结果表明：指数函数比双曲线函数更符合水泥稳定碎石强度发展的规律；7 d时，振动搅拌水泥稳定碎石的强度达到稳定后强度的60%以上，应非常重视该阶段的养生工作；在预测曲线中，28 d前水泥稳定碎石各力学指标增长较快，在90 d后增幅明显减小，并都在270 d后趋于稳定；在相同龄期和水泥剂量时，振动搅拌水泥稳定碎石的无侧限抗压强度、间接抗拉强度和动态回弹模量均比普通静力搅拌大。研究结果揭示了振动搅拌对水泥稳定碎石力学性能发展的影响规律，对振动搅拌水泥稳定碎石的施工具有一定指导意义。     

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。     

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。     

支持向量机在路面评价中的应用

提出了基于支持向量机的水泥路面性能评价模型,结合湖南未宜（耒阳-宜章）高速公路水泥砼路面检测数据进行评价并与传统模型进行对比,结果表明,应用支持向量机分类模型对路面进行评价能更好地弥补传统模型的不足,评价结果更加符合事实。     

高速公路雾天能见度预测方法

以多要素气象检测器采集的样本数据为基础,将温度、风速及湿度作为输入变量,雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立了雾天能见度的预测模型;将预测结果与实际数据进行对比分析,结果表明:BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978,支持向量机预测结果的误差更稳定,表明支持向量机更适于处理小样本、非线性、维数灾难和局部极小等问题。     

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。     

基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于SVR的互联液压缸力学性能预测

为进一步研究实际工况下非线性因素对互联液压缸力学特性的影响,对互联液压缸进行了力学性能台架试验,分析了互联液压缸的非线性因素对其力学输出的影响。鉴于传统数学模型无法准确反映互联液压缸动力学特性,并为减小传统支持向量机算法数据回归拟合误差,引入不敏感损失函数,构建互联液压缸力学性能回归型支持向量机预测模型进行预测,并将预测结果与试验数据进行对比。结果表明,采用回归型支持向量机预测模型具有更好的预测精度,为揭示互联悬架力学特性提供新的研究思路。     

CBGM与水泥稳定土试验方法及力学性能对比

国内外水泥稳定粒料击实方法和静压成型法基本一致,但是中国水泥稳定土采用7d无侧限抗压强度评定,而欧洲标准中水泥粘结粒状混合料(CBCM)采用28 d抗压强度评定.研究表明:水泥稳定粒料28 d抗压强度约为7d抗压强度的1.43倍.欧洲标准CBGM中5 mm以下的细颗粒所占比例比国内标准高,且含水率较低,确保了碾压后良好的平整度.