基于支持向量机回归的煤层含气量预测

为了探讨煤层含气量的有效预测方法,将支持向量机回归方法用于建立煤层含气量预测模型。利用所选的测井参数,采用基于小样本理论的支持向量机回归方法建立测井参数与煤层含气量的关系模型,对煤层含气量进行预测。实例分析表明,选取适当的测井参数,利用支持向量机回归方法建立的煤层气含量预测模型,其预测结果与实测结果的误差小。     

基于灰色关联分析和BP神经网络的煤层含气量预测研究

基于测井资料和煤岩心含气量化验分析资料,采用现代数理统计方法优选了煤层含气量的敏感性测井参数,在煤岩心含气量分析化验数据归位的基础上,建立了煤岩心含气量-测井相统计模式,并利用灰色关联法对测井相-煤岩心含气量统计模式进行了系统分析,进而筛选了有效的煤层含气量测井建模数据库。基于神经网络非线性数学方法,利用筛选后的有效煤层含气量测井建模数据构建了研究区内煤层含气量的多测井参数非线性预测模型,并利用所构建模型对研究区内的煤层含气量进行预测。煤岩心含气量室内分析数据与预测结果对比表明,该整套方法能较好地对煤层含气量进行预测,预测精度能够满足煤层气储层测井评价的要求。     

支持向量机预测煤层含气量

在分析煤层含气量影响因素的基础上,采用基于小样本理论的支持向量机(SVM)回归方法,建立了预测煤层含气量的计算模型。通过对沁水盆地南部目标煤层含气量影响因素分析,建立了煤变质程度、储层压力、温度及煤质特征支持向量机模型并进行了训练和测试。结果表明:SVM模型预测结果和实测结果误差小,为煤层气资源的勘探开发提供参考,是预测煤层含气量的新途径。     

川南筠连沐爱地区煤层含气量预测及控制因素分析

利用已有钻孔煤层气资料通过相关关系拟合获得了研究区煤层底板标高与含气量间的预测模型.利用该模型及地震解释获得的煤层底板标高数据预测了研究区8号主采煤层含气量分布.经后期煤层气探井实测数据验证,其预测精度达到85%以上.预测结果分析表明,远离断层的井预测精度高,而靠近断层的井预测误差大,其误差值在-1.86~4.32 m3/t之间.认为研究区煤层含气性总体受煤层底板标高(构造)控制,但复杂的小规模断层对煤层气具有聚集和散失双重作用,构造发育和展布规律应该是研究区煤层气靶区优选的首要考虑指标.     

基于分类回归树的高炉铁水硅含量预测模型

针对高炉铁水硅含量的预测问题,作者探索出基于分类回归树算法的建模策略,为高炉炉温控制提供了新的可选思路.针对某高炉的在线生产数据,分别建立了分类回归树预测模型和支持向量机预测模型,并从命中率、均方根误差对模型的性能进行了分析.结果表明:分类回归树模型的预测精度整体优于支持向量机模型,尤其在炉况波动较大时预测效果较好.     

PCA支持向量机回归集成股市预测应用

利用主成分分析（PCA）方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于ANNs耦合GA算法的煤层含气量预判

为了对煤层含气量进行有效分析,以实现煤层气可靠抽采及瓦斯灾害预防,提出了遗传算法(GA)优化人工神经网络(ANNs)煤层含气量的预判方法.GA算法通过对ANNs网络的权值及阈值的寻优,构建了基于ANNs耦合GA算法的煤层含气量非线性预判模型,并结合现场实测数据进行了分析.仿真结果显示：耦合模型的预判的最大相对误差为1.47%,较之其他模型具有更高的预判精度和更好的泛化能力,能实现煤层含气量的有效预测.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

一种基于支持向量机和模型树的回归模型及其在采煤工作面瓦斯涌出量预测中的应用

矿井瓦斯是煤矿生产过程中的主要不安全因素,能否准确预测采煤工作面上的瓦斯涌出量将直接影响矿井开采的经济技术指标.从数据挖掘与机器学习的角度看,瓦斯涌出量的预测问题是回归分析的经典应用.支持向量机和模型树在回归分析方法中显示出了优越的性能,本文应用支持向量机和模型树方法建立采煤工作面瓦斯涌出量的预测模型.实验结果显示,预...     

基于AdaBoost的集成支持向量机预测技术仿真

本文结合遗传算法参数优化方法,提出了基于AdaBoost集成支持向量机（SupportVectorMachine或SVM）算法,建立了基于AdaBoost集成SVM预测模型。通过Sinc函数仿真数据,分析了基于AdaBoost的集成支持向量机的预测性能。结果表明,基于Ada～Boost集成预测模型的预测相对平均误差达到1．31％,而SVM预测相对平均误差为279％,提升幅度达到53％,说明集成SVM预测模型具有很高的预测精度。通过对Sinc函数加入不同含量的噪声,发现与改进前的集成SVM算法相比,本文提出的算法具有更强的抗干扰能力。应用该算法,对轴承疲劳寿命实验中轴承振动信号特征量趋势进行预测,结果表明其14步预测的相对平均误差为027％,预测结果良好。     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

智能车辆在城区交通场景中的多类障碍物识别

针对智能车辆在城区交通场景中的前向障碍物识别,提出了一种基于集成学习改进的二叉树支持向量机(BT-SVM)的多类分类方法。根据城区交通场景中各类障碍物的出现概率、模式类别差异,设计了适用于智能车辆障碍物识别的BT-SVM树型结构;对每个节点分类器,采用AdaBoost集成学习方法进行改进,有效减少了差错积累误差,提高了分类精度和泛化能力。试验表明该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别。     

基于抗白噪声理论的支持向量机

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

基于遗传算法的支持向量机短期风速预测

对风电场风速实现较准确的预测,可以有效减轻并网后风电场对电网的影响。支持向量机模型的预测精度在很大程度上依赖于模型参数的选择,为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,再根据选择的参数对小时风速进行预测。实验结果表明本文方法能够获得较高的风速预测精度。     

基于集成学习的微博用户转发行为预测

为了提高微博用户转发行为预测的精度,提出一种有效的基于集成学习的微博用户转发行为预测算法.首先,对影响用户转发的各种特征进行综合分析,提取出用户属性、社交关系、微博内容等影响用户转发行为的特征;然后,采用Logistic回归、支持向量机与BP(BackPropagation)神经网络等机器学习算法对用户转发行为进行预测;最后,利用"加权投票法"的集成学习方法对多个预测结果进行融合.实验结果表明,相对于BP神经网络算法,在综合评价性能的F1度量值上,集成学习算法有1.5%的性能提升.     

进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

基于EEMD-IGSA-LSSVM的超短期风电功率预测

为了提高风电场输出功率的预测精度,在保证安全操作的前提下,建立了一种基于集合经验模态分解(EEMD)、改进引力搜索算法(IGSA)、最小二乘支持向量机(LSSVM)相结合的风电功率组合预测模型.首先运用EEMD算法将风电功率时间序列分解成一系列复杂度差异明显的子序列;其次利用相空间重构(PSR)对已分解好的子序列进行重构,对重构后的每个子序列分别建立IGSA-LSSVM预测模型,为分析不同核函数构造LSSVM的差异性,建立了8种核函数LSSVM预测模型,利用IGSA算法求解其模型;最后以中国内蒙古地区的某一风电场为算例,仿真及验算结果表明,利用IGSA算法寻优得到的指数径向基核函数核参数和惩罚因子构建的LSSVM模型具有较高的预测准确性;与EEMDWNN,EEMD-PSO-LSSVM等5种常规组合模型相比,所提出的指数径向基核函数的EEMD-IGSA-LSSVM组合模型能有效、准确地进行风电功率预测.     

大倾角储层煤层气多层合采产量控制地质与工程因素

针对大倾角储层煤层气多层合采的特点,以库拜煤田煤层气井的实际排采动态资料为基础,通过分析排采动态典型指标与地质要素和工程要素之间的关系,剖析了库拜煤田大倾角储层多层合采煤层气井产能的控制因素,并用灰色关联分析定量评价了各影响因素的重要性。结果表明：（1）大倾角储层煤层气合层排采产量与单井动用资源丰度、储层压力梯度、煤体结构、临界解吸压力、初始排水速度、压裂效果、初始见气时间具有较好的相关性,但与渗透率、吸附时间相关性较差。储层压力梯度和储层压力是影响该研究区产能的主控因素;（2）新疆库拜煤田大倾角储层靶点压力特征、含气量、渗透率基本处于同一水平,同埋深不同煤层物性非均质性较小,层间干扰作用小,较适合合层排采。论文研究成果可作为大倾角储层煤层气合层排采提供指导。     

基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型

传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用.为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm,SSA),结合核极限学习机算法(kernel-based extreme learning m...