ANN与ANFIS的拟合能力和推广预测能力的比较研究

岩土体位移与岩土体力学参数间的映射关系,具有高度非线性的特点.寻求一种能精确描述这种非线性映射关系的方法,是众多研究者正在大力研究的问题.为此, 采用一个多峰函数对ANN和ANFIS的拟合能力和推广预测能力进行了比较研究,结果表明,ANFIS的拟合能力和推广预测能力均优于ANN,更适合于用来建立岩土体位移与岩土体力学参数间的映射关系.     

PSA-ANFIS方法的研究

矿山中的岩土工程灾害预测问题,是采矿工程领域亟需研究解决的重大课题.本文即针对这些问题,采用正交试验设计法和模式搜索算法研究了自适应神经模糊推理系统(ANFIS)的训练参数和模型结构的优化方法,提出和建立了基于模式搜索算法的自适应神经模糊推理方法(PSA-ANFIS).进一步采用一多峰函数进行离散,构建了训练数据对、检测数据对和预测数据对,对PSA-ANFIS的拟合能力和预测能力进行了研究.结果表明,无论是在拟合精度和预测精度上,还是在训练参数的调整、模型结构的建立和训练过程上,PSA-ANFIS均适合于解决矿山岩土工程灾害预测这一高度非线性的映射问题.     

边坡工程中的PSA-ANFIS反演设计方法

边坡工程反演设计方法的提出,对于解决岩土工程设计工作中所面临的实际工程问题具有重要的现实意义.针对边坡工程反演设计工作的特点,首先采用正交试验设计法和模式搜索算法(PSA)研究了自适应神经模糊推理系统(ANFIS)的训练参数和模型结构的优化方法,提出和建立了基于模式搜索算法的自适应神经模糊推理方法(PSA-ANFIS).进一步地,对一多峰函数Peaks进行离散,构建了训练数据对、检测数据对和预测数据对,并对PSA-ANFIS的拟合能力和预测能力进行了研究.结果表明,无论是在拟合精度和预测精度上,还是在训练参数的调整、模型结构的建立和训练过程上,PSA-ANFIS均适合于解决边坡工程反演设计这一高度非线性的映射问题.最后,还将该新方法应用于边坡工程的边坡设计问题中,对实例边坡的角度和高度进行了反演设计,从而证实了该方法具有较强的非线性处理能力,适用于处理边坡工程中的具有高度复杂的不确定性问题,是一种优异的反演设计新方法.     

基于GA-SVM的土力学参数与标准贯入击数反演

由于地质条件的多样性和复杂性,岩土力学参数的获取耗时耗力且过程十分困难,而岩土力学参数对于岩土结构分析、建筑抗震结构测评起着至关重要的作用。该文基于昆明地区大量土工试验及岩土工程勘察报告提取4类岩土类型,并从中提取4个特征向量输入SVM分类器进行训练,建立起土体力学参数与标准贯入击数之间的映射关系。提出一种基于遗传算法优化SVM分类器的方法,应用于岩土力学参数与标准贯入击数之间的反演,并与粒子群算法(PSO)优化SVM分类器的实验结果进行对比。结果表明,基于GA-SVM的方法在岩土工程参数反演中速度很快,并具有较强的实用性和泛化能力。     

紧邻基坑同步施工下坑间隧道的变形特性

摘要：
采用非线性平面有限元方法研究紧邻基坑同步施工下坑间土体与隧道的变形特性.将该方法运用到上海某基坑工程中的隧道位移预测,实测数据与有限元结果比较吻合,验证了其可行性.通过参数分析,讨论了基坑之间的距离、开挖宽度对坑间土体竖向位移的影响,并由此推算出了使得坑间地表土体平均竖向位移接近零的最优基坑间距与开挖宽度的关系.同时讨论了盾构隧道、明挖暗埋隧道与基坑的距离对于隧道竖向位移、支护结构侧移的影响.研究表明,开挖完成后,坑间盾构隧道的沉降比周围土体的沉降略小,而有围护结构的明挖暗埋隧道则表现为上抬,距离基坑越远,上抬量越小.
     

航空运量预测

分析SVM的非线性回归预测基本原理, 分别选用不同的核函数进行拟合训练预测.然后利用LIBSVM软件求解,利用Python和Gnuplot对核函数的参数寻优.把1975年到2006年全国的客运量数据和其他相关指标作为学习样本,验证寻优参数得到训练模型预测结果的可靠性.     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

基于SVM理论的大坝安全预警模型研究

大坝安全预警模型可以理解为根据特定的映射关系由影响因素域到大坝性态效应量域的计算求解问题.对于多因素综合影响下的大坝系统,这种映射关系一般为非线性的.从机器学习的角度,本文应用粗集理论和SVM理论,研究了对上述关系的拟合.首先,利用粗集理论智能数据分析方法,对大坝安全监测信息进行预处理,抽取关键成分作为映射关系的输入,从而确定映射关系的初始拓扑结构.在此基础上,应用最小二乘支持向量机算法,以训练误差作为优化问题 的约束条件,以置信范围值最小化作为优化目标,从大坝安全原型观测数据中学习归纳出大坝系统运行规律,从而实现对大坝安全预警模型的构建.实例分析表明,该模型能够有效的模拟和预测大坝工作性态与主要影响因素的关系.     

基于环形拓扑自适应差分进化算法优化神经网络的压气机流量特性预测

为提升轮机模拟器中柴油机非额定工况下的仿真精度,提出一种基于有限数据的混合方法来预测多工况下的压气机流量特性.该方法采用一种基于环形拓扑差分进化算法来优化三层前馈神经网络参数,利用有限的给定工况下的流量特性数据,预测压气机流量特性曲线.采用神经网络来拟合压气机流量特性的非线性映射关系,利用差分进化算法优化调整神经网络的连接权重、连接偏置、连接开关等难以调整的重要参数.仿真结果表明,基于有限数据的方法可较好地拟合船舶压气机流量特性,采用环形拓扑的自适应差分进化算法优化调整神经网络的重要参数具有一定的有效性.本文提出的混合方法具有更好的泛化能力和搜索精度,可作为处理类似预测问题的有效手段.     

基于OPC技术和果蝇优化广义回归神经网络的海洋蛋白酶发酵过程软测量

鉴于海洋生物酶发酵过程中关键生物参数难以实时在线测量的问题,提出了一种基于果蝇优化算法(Fruit fly optimization algorithm,FOA)的广义回归神经网络(Generalized regression neural network,GRNN)与面向过程控制的对象链接与嵌入技术相结合的软测量方法。GRNN的非线性映射能力强、学习速度快,但GRNN的预测性能受平滑因子的影响比较大,因此利用FOA对GRNN的平滑因子进行寻优,以提高模型的泛化能力,采用OPC技术可以实现MATLAB和组态王之间的数据通讯,将预测的关键生物参数值传送给组态王进行实时显示与存储。通过采集海洋蛋白酶发酵过程的实验数据,建立基于FOA优化GRNN的海洋蛋白酶发酵过程关键生物参数(菌体质量浓度、基质质量浓度、酶活)的软测量模型,并与GRNN、BP神经网络、支持向量机(Support vector machine,SVM)进行对比。结果表明,基于FOA优化GRNN的软测量模型对训练样本的拟合能力和对测试样本的预测能力都远远超过GRNN、BP神经网络和SVM,通过OPC技术将MATLAB和组态王进行数据连接,实现了生物参数的实时在线测量,且系统运行的稳定性较好。     

自动电压控制中不良数据辨识的研究

自动电压控制（AVC）系统由于缺少对发电厂遥测量数据的真实性进行有效和准确地辨识,容易引起装置误动。支持向量机（SVM）是数据挖掘中一种具有优良模式识别性能的新方法。本文提出了利用SVM建立辨识发电厂遥测量中不良数据的模型：首先应用SVM非线性回归对各种运行情况下发电厂正常的遥测数据进行曲线拟合（即训练）;然后运用训练好的模型对历史遥测数据(包括正常遥测数据和不良遥测数据)进行预测,取得预测值与实际遥测数据的误差百分比;再结合历史遥测数据正确与否,应用SVM分类功能训练分类网络;最后将实时遥测数据输入到训练好的曲线拟合网络和分类网络中,就能够迅速判断该遥测数据是否为不良数据。仿真算例验证了SVM模型的有效性和准确性。     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

基于动态粗糙集和支持向量机的振动参量预报

为了有效控制爆破振动效应,基于粗糙集和支持向量机,建立了爆破振动参量的预报模型。该模型首先在粗糙集理论指导下利用粒子群算法快速实现属性的动态离散过程,再根据最优粒子建立决策表,通过重要度分析进行次要属性和冗余数据剔除,最后用支持向量机训练余下数据和验证新样本。经工程试验验证,该模型能够同时分析定量因素和孔径、抛掷方向等定性参量对质点振动加速度峰值的重要程度,约简之后的数据有利于支持向量机预报精度的提高。     

基于神经模糊推理系统的盾构施工地表沉降预测

盾构隧道施工引起的地表沉降,主要受盾构掘进参数和地层条件的影响,且各参数间关系复杂.已有地表沉降预测方法大都没有直接考虑掘进参数的影响,难以满足盾构快速施工超前预测预报和环境影响控制的需求.自适应神经模糊推理系统(ANFIS)是一种基于神经网络的模糊类智能模型,通过减法聚类数据细分技术自动生成模糊规则,使网络的节点和权值具有明确的物理意义,集成了神经网络数据自适应能力和模糊系统知识表达性能,特别适合于多元非线性系统的预测预报.结合北京地铁14号线东风北桥站至京顺路站区段工程实测数据,选取埋深、洞顶覆土标贯值、土仓压力、推进速度、刀盘转速、扭矩、盾构推力,以及同步注浆量为输入变量,建立了地表最大沉降量预测模型.计算结果表明,该模型计算量小,泛化能力强,计算精度高.研究成果为盾构施工地表沉降预测预报提供了新的技术方案.     

基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子C和核函数宽度g的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明:该预测模型的平均相对误差为12.5%,平均绝对误差为0.986m,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

基于支持向量机的软件可靠性早期预测

文章将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型;通过对比仿真实验,证实了该模型同传统模型相比,具有预测精度高、泛化能力强及对样本数量的依赖程度低的特点。