支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

用粒子群算法优化BP神经网络进行函数拟合

由于BP网络具有收敛速度慢和容易陷入局部极值,为了提高BP网络预测的准确性,本文提出了用粒子群(PSO)算法来优化BP网络,并进行非线性函数拟合.用PSO迭代算法找到最佳的网络权值和阈值,再以网络的正向传播的最小误差作为目标函数指导PSO的优化.将该算法与标准BP算法进行matlab仿真比较.实验结果表明,优化后的网络拟合误差小,效果更好.     

基于改进粒子群深度神经网络的频率域航空电磁反演

传统的梯度反演方法依赖于初始模型选取,且容易陷入局部极小,在一定程度上影响着反演的求解精度和收敛速度,为此,提出一种基于改进粒子群深度神经网络的频率域航空电磁反演方法。首先,通过频率域航空电磁模型正演获取样本数据集;随后,依据样本数据集建立深度神经网络的基本框架,网络的输入为归一化垂直磁场分量,输出为相应地电模型参数;第三,提出一种惯性权重振荡衰减措施在粒子群优化算法的基础上进行改进,以提高粒子群优化算法的全局寻优能力,并利用改进的粒子群优化算法优化深度神经网络的训练过程,得到连接权值与阈值的最优解;最后,将最优的权值与阈值作为网络的初始值,并利用该网络对未知地电模型进行反演测试。利用层状地质模型测试改进粒子群深度神经网络算法、粒子群神经网络算法和单一的神经网络算法的反演效果,并将此方法运用于实测航空电磁数据反演。研究结果表明:本文提出的改进粒子群神经网络算法充分结合了粒子群优化算法的全局寻优性能和深度神经网络的局部寻优性能,在反演过程中能有效避免反演陷入局部极小,寻找到全局最优解,并能准确地反演出地电模型参数;与粒子群神经网络算法和单一的神经网络算法相比,本文提出的方法具有更高的求解精度和收敛速度。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

露天煤矿边坡稳定性的随机森林预测模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM和BP神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

基于岩体波速的强度参数预测与边坡稳定性评价

为有效利用岩体波速信息快速确定边坡稳定性问题,首先根据国标BQ法(岩体分级标准)提供的岩土体物理力学参数表,建立了由岩体波速估算强度参数的数学关系式,并根据工程实验数据验证了强度参数预测公式的适用性;然后通过数值模拟实验,构建了基于岩体波速的新型岩质边坡稳定性图表;研究发现坡角和坡高等坡形参数对坡体稳定性的影响几乎与岩体质量无关,进而提出坡形影响因子来量化坡形对边坡稳定性的影响程度。分析了标准坡形条件下(坡高25 m,坡角45°),波速与边坡安全系数的关系,发现安全系数随岩体波速的增大而增大,近似呈"S"形变化趋势,通过回归分析建立了标准坡形条件下波速与安全系数的关系式,最终结合坡形影响因子提出一种基于岩体波速预测边坡稳定性的方法,并且通过算例验证了该方法的可行性。     

神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法,即将网络总体平均误差建立为目标函数,以权值和阈值作为设计变量,采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过 Ｂ Ｐ 算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算,验证了所提出的优化方法的有效性,实现了权值和阈值的快速准确计算·     

粒子群优化BP网络及其应用

提出一种基于量子激励粒子群算法优化BP网络的参数方法.该算法在粒子群优化算法中引入量子论思想,克服了传统粒子群算法易陷入局部极值、优化效果较差的缺点,最终得到BP网络的最佳参数值.利用优化后的BP网络控制仿生机器马的运动状态,仿真结果表明该算法能快速、准确地达到最佳控制效果.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于异步粒子群优化算法的边坡工程岩体力学参数反演

基于现场变形观测资料的优化反演是确定边坡岩体力学参数的主要方法之一,其本质是一个岩体力学参数的寻优过程,因而,如何选择一个高效的优化算法是其核心问题之一.目前,粒子群优化算法已被应用于边坡工程力学参数反演,但其算法实现为同步模式,最优粒子的信息不能及时共享,降低了优化效率,使得反演耗时较多.鉴于此,提出基于异步粒子群优化算法的边坡工程岩体力学参数反演,该算法的搜索步伐并不一致,粒子间表现出异步性,因而寻优效率明显高于同步模式,可有效解决在边坡工程中岩体力学参数反演中存在的低效问题.在此基础上,构建了边坡工程岩体力学参数反演模型,并采用ABAQUS作为反演分析中的正分析工具,给出了边坡工程岩体力学参数反演的实现流程,完成了程序编制,进而通过算例分析,验证了所提出的方法和程序编制的可行性和高效性.     

一种改进AFSA-Elman边坡位移预测网络

Elman网络在边坡位移序列预测的应用中,对于网络隐含层神经元个数、阈值的选取没有具体的定论,且收敛速度慢,容易陷入局部解.基于此,将人工鱼群算法与 Elman 网络相结合,建立了改进的 AFSA-Elman 边坡位移预测网络,修正鱼群算法的步长,并利用经改进后鱼群算法强大的寻优能力,对Elman网络的初始权值和阈值进行优化,提高了Elman网络的预测精度和收敛速度.将改进的AFSA-Elman网络与传统Elman网络以及AFSA-BP网络进行对比,并模拟了3种网络的迭代过程,发现改进的AFSA-Elman预测网络较以上两种预测网络具有较高的精度,收敛性更好,更适用于边坡位移的预测.     

基于粒子群优化的认知无线电功率分配算法

针对认知无线电网络（CRN）中主用户（PU）的干扰功率阈值、 次用户（SU）的传输速率限制和信干噪比（SINR）需求, 提出一种基于蒸发因子的粒子群优化（LTPSO）算法, 其中蒸发因子根据粒子群学习因子设定, 建立新的粒子群记忆形式, 并对适应度值按比例进行筛选. 仿真结果表明, LTPSO算法获得了较好的优化效果.     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法（FOPSO）是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.