基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于粗糙集理论和支持向量机的岩爆预测

为了提高不同环境和地质条件下对岩爆预测的准确性,在综合岩爆影响因素的基础上,选取岩石取样处的埋深、岩石单轴抗压强度,岩石单轴抗压强度与抗拉强度比值、围岩最大切向应力与岩石单轴抗压强度比值、岩石弹性变形能指数作为评判指标建立岩爆烈度预测决策表,根据粗糙集理论中的属性约简算法,确定特定地质条件下岩爆的主要影响因素,删除冗余数据,再使用粒子群算法优化支持向量机的参数,通过核函数将岩爆主控因素映射到高维空间,拟合主控因素与岩爆烈度之间的非线性映射关系,建立基于粗糙集理论和粒子群支持向量机(RS-PSOSVM)的岩爆预测模型,并将该模型应用于大相岭隧道的岩爆预测。研究结果表明:该模型具有较高准确率和和较强稳定性;岩爆预测结果与实际结果一致,验证了该模型的可行性。     

基于粗糙集理论和支持向量机的套管损坏动态预报方法

针对油水井套管损坏受地质、工程综合因素影响,具有不确定性、模糊性和时变性的特点,提出基于粗糙集与支持向量机集成的套损动态预报方法.通过粗糙集理论对套损影响因素进行属性约简,确定导致油水井套管损坏的主导因素,进而应用支持向量机算法建立套管损坏动态预报模型,从而克服传统支持向量机无法处理动态数据以及大样本条件下易出现维数灾难的缺点.榆树林油田的现场应用结果表明,该方法具有较高的预报精度,预报吻合率达72.7%,可为油田现场调整开发参数、尽早制定套管防护措施提供指导.     

不确定支持向量机在洪水预测模型中的应用

准确及时地进行洪水预测对洪水预报、洪水实时调度及水资源的合理调度起着非常关键的作用.提出一种粗糙集理论和支持向量机相结合的洪水预测模型,利用粗糙集理论对支持向量机的输入数据集进行约简预处理,通过发现数据间的关系去掉冗余输入信息,简化输入空间的表达信息,提高支持向量机训练的速度,获得较高的预测精度.实验结果表明,该模型能提高支持向量机训练的速度,获得较高的预测精度.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

基于属性重要性的加权支持向量机及其应用

针对珠江水质预测中的大量不确定和模糊因素,提出了一种基于属性重要性的加权支持向量机水质预测模型.首先通过粗糙集理论对原有的评价指标体系进行约简,由原来的8个预测指标约简为7个指标,被约去的属性正是网站公布数据中缺失的属性;同时计算出各属性的重要性,对重要的指标赋予较大的权重,构造基于属性重要性的加权支持向量机,这不同于以前的针对样本作用不同而构造的加权支持向量机.本文以珠江流域重点断面水质预测为例,对近2年数据进行分析,结果显示了该模型的有效性.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于改进最小二乘支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集、熵权法、自适应粒子群优化算法与加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想。首先阐述了粗糙集、信息熵、自适应粒子群优化算法和加权最小二乘支持机的基本原理,并改进了自适应粒子群优化算法的搜索方式和最小二乘支持向量机的加权方法;然后建立了基于粗糙集、熵权法和自适应粒子群优化加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

基于粗糙集和粒子群优化支持向量机的滑坡变形预测

以三峡库区白水河滑坡为例,首先分析降雨量与库水位等影响因素与滑坡变形特征的响应关系,然后利用粗糙集理论对10个初始影响因子进行属性约减,筛选出影响滑坡变形的核因子集,最后基于该因子集建立粒子群优化支持向量回归模型,对滑坡位移速率进行预测。研究结果表明:测试样本的预测结果与实测值变化趋势基本一致,其平均绝对误差为0.234 mm/d,均方差和判定系数分别为0.163和0.520。粗糙集理论在分析滑坡变形特征、筛选关键因子方面的适用性与科学性,构建的粗糙集-粒子群优化支持向量机模型具有较高的泛化能力,是一种有效的滑坡变形预测方法。     

粗糙集和支持向量机相融合的Web数据挖掘

提出一种粗糙集和支持向量机相融合的Web数据挖掘模型.首先收集相关Web数据,提取特征,并采用粗糙集对特征进行约简,去除一些无用的特征,然后采用支持向量机对训练样本进行学习,建立Web数据挖掘模型,最后进行性能测试.实验结果表明,粗糙集和支持向量机相融合可以获得令人满意的Web数据挖掘效果,具有更高的实际价值.     

一种基于RS和SVM的目标对象的性能分类方法

提出了一种基于粗糙集(RS)和支持向量机(SVM)的目标对象的性能分类方法,该方法将RS和SVM结合在一起对性能进行分类．在分类之前,首先利用RS对属性进行约简,将约简后的属性作为输入端输入到SVM中进行训练,再用训练好的SVM对测试集进行测试．测试结果表明,该方法分类的精度比较高,速度比较快．     

基于量纲分析的戈壁地区爆破振动衰减模型

为了建立预测精度较高的戈壁地区爆破振动衰减模型,首先在大量现场爆破振动监测的基础上回归得到了传统的萨道夫斯基公式；进一步通过分析与爆破效应相关的物理量,基于量纲分析法推导了可以反映柱状装药特征的成排深孔爆破振动速度预测公式；最后将推导得到的爆破振动速度预测公式与传统萨道夫斯基公式进行现场应用,验证本文爆破振动公式的准确性。研究结果表明,本文爆破振动公式在三个方向上(水平径向、水平切向和垂直向)的振动速度预测精度均高于萨道夫斯基公式,后者预测值的平均相对误差约为本文爆破振动公式的两倍。研究结果可为爆破振动的分析、预测以及安全评价提供参考依据。     

基于粗糙集的RDT决策树生成算法的研究及应用

介绍了一种基于粗糙集理论的决策树生成算法--RDT(Rought Set Decision Tree).该方法运用了粗糙集理论中条件属性相对于决策属性的核,引入启发式条件计算并选择条件属性作为决策树的根结点或子结点.通过一个例子,与运用信息熵概念建立决策树的算法进行比较,结果表明采用RDT方法得到的决策树优于采用信息熵方法得到的决策树.还讨论了RDT与ID3算法对决策树精度和规模的影响,分析数据分类和知识发现的过程及特点.     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

土岩复合地层条件下爆破振速衰减模型优选

随着城市化进程的加快,地下工程建设日益增多,爆破施工是较常见的一种施工工法,对周围建筑物和已有线路的影响较大.爆破药量、爆心距和高程差等因素的不同都会使爆破振速产生较大的差异,造成不可挽回的影响.为了优选更合理的爆破振速衰减模型对预测爆破振动效应,以青岛地铁某线施工为背景,采用多段爆破的爆破方式,设置多个监测点记录爆破振速,对比分析不同爆破振速预测模型效果和适用性,并在此基础上进行模型优化.结果表明:爆破振动在地面传播过程中空洞效应的影响较大;爆破振动效应是多种因素综合作用的结果,模型涉及因素越多,则爆破振速预测模型的结果与实测值越接近;根据空洞效应建立的分段预测模型能有效地预测爆破振动在地面的衰减规律,可被类似工程借鉴.面对复杂的爆破施工场地,应根据条件进行爆破振速衰减模型的选择.     

基于LS-SVM的TBM掘进参数预测模型

针对目前TBM数据挖掘能力和掘进参数优化预测分析的不足以及对未来TBM实现无人驾驶的展望,将最小二乘支持向量机（LS SVM）机器学习应用到TBM掘进参数预测中,从吉林引松工程TBM掘进数据中提取掘进上升段的刀盘扭矩、刀盘推力、总推力、推进速度这4个重要参数建立LS SVM预测模型,预测4个参数在稳定段的均值,并讨论了模型训练集大小、参数选取等对预测性能的影响。结果表明,以原始数据中均匀提取的样本、RBF核函数和10折交叉验证建立的LS SVM模型可以较为准确地预测稳定段中上述4个参数,验证了LS SVM机器学习预测TBM掘进参数的可行性。     

时序Rough逻辑及其在数据分析中的应用

提出一种时序Rough逻辑,定义了时序算子及其作用于Rough逻辑公式上的意义．描述了这种逻辑的语法和语义．论述了时序Rough逻辑中的语义模型是一个无限状态序列,其中每一状态都描述了当前时刻和场景点上信息系统的信息．从当前状态到下一状态的变换是遵循时序Rough逻辑演算的,它必须保持知识不变,也就是属性和讨论的对象不变,而属性关于对象的特征值,即属性值随着时间和场景变化而可以变化．因此。在信息系统上作决策、数据约简和信息粒化等都将产生影响,由此可见时序Rough逻辑将是动态地处理信息系统的理论工具,也将是合理地解决和处理不一致信息表的较好方法．     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

露天采矿爆破振动对民房危害预测的DDA模型及应用

针对爆破地震效应评价中诸多因素不确定性问题,应用距离判别分析理论,选用爆破振动幅值、主频率、主频率持续时间、灰缝强度、砖墙面积率、房屋高度、屋盖形式、圈梁构造柱、施工质量、场地条件共10个影响因素作为判别因子,建立露天采矿爆破振动对民房危害预测的距离判别分析模型(DDA);以36组爆破振动实测数据作为学习样本进行训练,建立相应线性判别函数并利用回代估计方法进行回检,用12组现场数据作为预测样本进行测试.研究结果表明:回检误判率为2.78%;距离判别分析模型预测结果与实际结果较吻合,预测精度高,为露天采矿爆破振动对民房危害程度的预测提供了一种新思路.