滑坡预测的混沌神经网络模型

根据混沌理论具有分析非线性动态系统的混沌特性和人工神经网络具有考虑多因素影响的特点,提出了滑坡预测的混沌神经网络综合模型。该方法首先利用非线性科学和理论分析滑坡位移时间序列的动态特性,然后将重构相空间计算的最小嵌入维数作为输入神经元的数目引入到人工神经网络预测模型中。     

基于LSTM-SVM的隧道围岩位移预测

提出了一种基于长短时记忆神经网络算法的支持向量机(LSTM—SVM)的隧道围岩位移预测方法,为了保证支持向量机(SVM)预测结果的准确性,选用粒子群算法(PSO)和遗传算法(GA)对支持向量机参数进行优化处理.为了减小在多步预测算法(MS)中,由于误差的传递导致最终预测结果与实际结果产生较大偏离,在多步预测运算过程中对...     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

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。     

基于灰色理论的土质路堑边坡位移预测

土质路堑边坡失稳破坏往往表现为土体位移。以重庆铜合高速公路K22＋770-K22＋965段路堑边坡位移预测为例,对基于灰色理论构建的土质路堑边坡位移预测灰色模型进行介绍,并将预测值与实测数据进行比较,结果表明其准确度高。在此基础上建立位移随监测时间变化的响应函数,其适用性强,可作为土质路堑边坡位移预测的经验公式。     

基于时间序列分析的公路降雨型滑坡位移预测

基于公路降雨型滑坡位移远程实时监测数据,从分析降雨型滑坡阶跃型变形规律出发,将滑坡总位移分解为受不利地质条件影响的趋势项位移以及受降雨影响的周期项位移,采用时间序列分析方法将两者叠加构建降雨型滑坡位移预测模型。对滑坡趋势项位移采用灰色等维新息模型进行预测,对周期项位移采用自回归模型进行预测,将两者预测值组合得到滑坡总位移预测值。以湖南娄新高速公路某滑坡实时监测预警为例,采用该模型对比分析了滑坡实测与预测时间位移曲线,表明该模型预测效果较好,能体现降雨型滑坡位移变化趋势,具有较好的应用前景。     

基于SVM的高速公路路基病害自动检测算法

针对当前探地雷达(GPR)数据解释主要依赖专家经验存在的解释结果主观性强和数据解释周期长等问题,利用高速公路路基病害将导致其厚度和层界面反射信号的幅度发生改变等客观信息,结合探地雷达杂波抑制、层界面检测和平滑、感兴趣区域(ROI)提取、特征提取和模式识别技术,提出了一种新颖的高速公路路基病害自动检测算法,并利用该算法对江西省昌九高速公路南昌段采集的GPR数据进行了分析.研究结果表明:该算法的检测结果与结合专家经验和钻孔取芯样本构建的Ground Truth数据库的吻合度高达92.7％,且具有自动、快速等优越性,可为指导制定合适的养护策略及合理分配养护资金提供科学依据.     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

枣林滑坡的混沌判断和预测

文章概述了枣林滑坡的工程地质情况;该边坡2001～2002年累计滑移达到10m,严重威胁附近居民以及交通安全。根据边坡工程的观测位移时间序列,基于相空间重构,给出了最大Lyapunov特征指数的计算步骤;以及给出了边坡位移时序的线性和非线性两种混沌预报模式。利用上述混沌分析方法,对枣林边坡的位移观测序列进行了分析计算,获得其最大Lyapunov特征指数为0.14;并对位移序列进行了预测;与观测位移相比较,位移预测结果比较理想。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

基于位移反分析的拓宽路基差异沉降预测

针对公路拓宽工程中地基力学行为和变形特性的复杂性、以及土体参数难以确定等特点,以福泉、泉厦高速公路扩建工程为依托,进行了新旧路基差异沉降预测这一关键技术的探索。提出了以现场监测为基础,采用基于进化神经网络的位移反分析方法,并通过建立有限元预测模型对新旧地基差异沉降进行预测;同时,在建立进化神经网络的训练样本时引入正交试验设计理论,减少了样本数量,大大提高了计算速度。结果表明,基于位移反分析的有限元预测方法克服了传统预测方法只能预测单点沉降的缺点,且预测结果与实测结果一致性好。     

基于双目视觉的公路边坡表面位移识别方法

针对目前公路边坡位移识别方法的不足,分析了基于双目视觉的公路边坡表面位移识别方法.在边坡表面设置一定数量的监测目标点,利用2台固定的摄像机采集边坡图像,采用亚像素搜索算法提取监测点的图像坐标,通过像平面坐标系、摄像机坐标系、测量坐标系之间的转换关系,计算监测点的三维坐标,识别边坡表面位移,并进行了可行性模拟验证.结果表明:监测点的计算位移值与实际值基本吻合,相对误差为2.02％,9组样本试验的标准差为0.832 mm,测点误差值小于±1,±1.5,±2 mm的比例分别为65％,89％,98％.     

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....     

基于灰色理论的高速公路小修保养维修量预测模型

在仅有通车5 a以下维修量的小样本数据条件下,为了合理、科学地预测高速公路小修保养维修量,量化年平均日交通量、年均降雨量、年均温度和通车年限4个因素对维修量的影响程度。提出了基于Matlab的灰色系统预测模型,以实际调研路段5 a的统计数据为样本,运用灰色关联度模型对4个因素的影响程度进行量化评估;分别建立均值GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对维修量进行预测分析。研究结果表明:上述4个影响因素与维修量的灰色关联度均大于0.5,说明上述4个自变量对维修量均具有较大影响;GM(1,1)模型70%的预测结果误差小于15%,GM(1,N)模型75%的预测结果误差大于30%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,对通车5 a以下维修量的小样本数据预测,选用单变量预测模型更加合理、有效。     

基于最小二乘支持向量机的城市客运量预测模型

针对城市公路客运量预测中存在的非线性、复杂性和不确定性,提出了一种基于最小二乘支持向量机的城市客运量预测模型.结合西安市历年城市客运量数据,编程实现该预测模型,仿真结果表明了该预测模型的有效性.     

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。     

基于支持向量机的多年冻土路基融沉变形预测

多年冻土路基热稳定性差,工后沉降量大,路基病害较为严重。如果能够准确预测该类路基的工后融沉值,就可为工程建设提供重要的参考依据,从而提高该类路基的路用性能。为此,在对现有预测模型应用效果分析的基础上,首次将支持向量机应用于多年冻土路基融沉变形的预测中,提出了一种有效可行的新型预测方法,并以实际工程为依托,构建了基于支持向量机原理的多年冻土路基融沉变形预测模型。通过与实测值及其它预测模型的对比分析表明：该模型在预测过程中有效的避免了“过拟合”及“维数灾难”,人为干预较少,具有预测精度高,泛化能力强,预测结果稳定的特点,成功的解决了多年冻土路基影响因素多,样本数量少等带来的预测难题。