基于LS-SVM的边坡稳定性预测研究

针对边坡工程稳定性估计的复杂性,将最小二乘支持向量机引入到边坡稳定性估计的研究中,分别建立了边坡安全系数预测的最小二乘支持向量机模型和边坡稳定状态预测的最小二乘支持向量机模型,以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的边坡稳定性分析方法及其可行性．该方法具有一定的工程参考和实用价值．     

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.     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

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.     

爆破振动对边坡稳定性影响的FA-IGA-LSSVM模型

为对矿山开采爆破过程中边坡的稳定性进行预测,将因子分析、免疫算法及最小二乘支持向量机相结合,共提取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、边坡角、边坡高度7个影响指标.通过因子分析对样本数据进行降维,提取出一个公共因子.利用实际测量的29组样本数据对模型进行训练,构建基于因子分析和IGA-LSSVM的边坡稳定性预测模型;采用回代估计法对模型进行检验,误判率为3/29.使用其他5组样本检验模型的泛化能力,同时与基本最小二乘支持向量机进行对比,结果表明:所得模型的预测精度高于基本最小二乘支持向量机,预测结果的误判率为0.     

爆破振动对矿山边坡稳定性影响的预测

针对矿山爆破过程中爆破点附近的边坡稳定性问题,应用因子分析和免疫最小二乘支持向量机方法,选取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等为影响因素.对相关性较高的因素进行因子分析,提取公共因子,建立爆破振动对矿山边坡稳定性影响的免疫最小二乘支持向量机预测模型.利用24组爆破数据作为学习样本进行训练,并采用回代估计法进行检验,误判率为1/12.用另外10组数据作为测试样本进行预测,同时通过与其他预测模型预测结果进行对比,验证本文所得模型在边坡稳定性预测中具有更高的准确度.研究结果表明:所得预测模型泛化误差满足精度要求,预测结果的误判率仅为1/10,优于其他预测模型.     

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法（improved sparrow search algorithm,ISSA）优化支持向量机（support vector machine,SVM）,进而建立边坡稳定性预测模型（ISSA-SVM模型）。将重度、粘聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取国内外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法（grey relation analysis,GRA）进行敏感性分析。结果表明：ISSA-SVM模型预测精度更高、泛化能力更强,粘聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。     

基于支持向量机的露天转地下开采边坡变形模型

提出了一种基于支持向量机的露天转地下开采边坡变形模型,有效表达了地下开采扰动引起露天矿边坡变形的非线性变化关系.采用RBF核函数学习现场监测数据,利用交叉验证选择模型参数,通过学习捕捉支持向量,建立模型预测未来变化趋势.将该模型应用于露天转地下开采的杏山铁矿.结果表明,支持向量机对学习样本的拟合精度极高,其预测精度也很高.采用捕捉的支持向量进行预测,便捷快速且有较强泛化能力.     

围岩稳定性评判的支持向量机多分类模型

围岩稳定性评判对指导地下工程的设计和施工具有非常重要的意义.引入支持向量机多分类方法,进行围岩稳定性分类.选用影响围岩稳定性的因素,岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量等5项指标作为模型的判别因子,建立了围岩稳定性分类的支持向量机模型.以围岩实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行分类.结果表明,支持向量机模型分类性能良好,预测精度高,是围岩稳定性分类的一种有效方法,可以在实际工程中进行应用.     

基于GS-SVM的膨胀土边坡防护工程健康预测模型

为了对膨胀土边坡防护工程健康状态进行精确、快速地预测,选取表征膨胀土边坡防护工程健康状态的指标,采用支持向量机算法,建立膨胀土边坡防护工程健康预测GS-SVM模型.在此基础上,研究数据预处理方式(标准化、权重量化)和模型训练集抽取比例(50％～80％)对预测结果的影响.研究结果表明:随着模型训练集抽取比例的增加,模型的...