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。     

博文盆地M煤层气田含气量主控因素分析及预测

精准预测煤层含气量是煤层气资源量评价及开发方案制定的关键之一，传统预测方法应用范围有限且预测误差较大。为了进一步提高含气量预测精度，以博文盆地M煤层气田GM煤层为研究对象，基于皮尔逊相关分析法对含气量主控因素进行定量分析，优选出了9个煤层含气量影响主控因素，提出基于高斯过程回归、支持向量机及集成装袋树等机器学习算法的煤层含气量预测模型，对比分析各方法优缺点，进而优选出最佳的含气量预测模型。研究结果表明：高斯过程回归精确度最高，预测结果平均相对误差为4.5%，适用于本气田煤层气的含气量预测；支持向量机泛化能力强，但是超平面的绝对化导致预测精度降低；集成装袋树并不侧重于训练数据集中的任何特定实例，对于噪声数据其基本不受过分拟合的影响。     

综采面区段煤柱宽度的PSO-SVM预测模型

为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM) 3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1. 81%,GS-SVM为8. 36%,GA-SVM为3. 78%. PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。     

基于支持向量机的不锈钢冷轧薄板力学性能的预测模型

介绍了支持向量机(SVM)技术中的支持向量机回归模型原理,建立了不锈钢冷轧薄板力学性能预测模型.结果表明,随着训练样本的增加,模型的预测精度也得到提高.证明应用支持向量机构建不锈钢冷轧薄板力学性能预测的数学模型,能较好地解决小样本和模型预测精度间的矛盾,具有较强的泛化能力.     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

基于遗传算法优化支持向量机的大坝安全性态预测模型

为提高支持向量机对大坝安全性态的预测效果,提出基于遗传算法优化的GA-SVM大坝安全性态预测模型,以k-CV验证误差最小作为优化目标,引入遗传算法对支持向量机的惩罚参数c和核函数参数g进行寻优。模型以影响因子作为输入,以效应量作为输出,采用训练样本对支持向量机进行训练,并使用训练好的模型预测效应量。根据概率统计理论中的3σ准则,建立大坝安全性态三级指标和判别准则。以某大型水库大坝为例,建立该大坝的GA-SVM模型,并与SVM模型和逐步回归模型进行了对比验证。预测结果表明,GA-SVM模型渗压预测值与实测值最接近,预测精度较SVM模型和逐步回归模型提高了约3倍。     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

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。     

基于支持向量机的上海市宝山区房价的判别与预测

房价问题是关系民生的热点话题,统计分析房价的影响因素时,收集的基本上是小样本、多变量的数据。先用多元统计方法将宝山区12城镇(街道)的房价进行分类和回归分析,然后运用支持向量机(Sup-port Vector Machines,SVM)建立了判别和预测模型,对城镇房价进行分类判别和预测比较,结果说明支持向量机对于小样本的研究有一定的优势。     

基于粒子群最小二乘支持向量机的瓦斯含量预测

针对经验模型与确定性模型在应用中受到限制问题,采用基于统计学习理论的支持向量机对经验数据进行学习,建立瓦斯含量与其影响因素之间的映射模型,从而实现煤层瓦斯含量预测.支持向量机的惩罚因子和核参数取值不同将会明显影响其预测的精度,支持向量机本身也没给出解决的办法,引入粒子群算法自动搜索支持向量机参数.该方法克服了神经网络过学习问题和支持向量机人为选取参数的盲目性问题.通过对某矿区样本的学习预测研究,表明该方法可取得良好的预测效果,具有较好的适应性.