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.     

基于改进粒子群优化SVM的多分类入侵检测研究

针对工控网络数据的高维特性以及攻击方式多样性而导致传统入侵检测算法检测准确率低等问题,采用改进粒子群(PSO)算法优化支持向量机的参数,提出改进的PSO-SVM多分类入侵检测方法。该方法将SVM参数作为改进PSO的粒子,将SVM分类准确率作为PSO的目标函数进行全局搜索以确定SVM的最优参数,建立基于改进PSO-SVM的"一对一"多分类工控入侵检测模型。最后采用密西西比州立大学关键基础设施保护中心提出的工控标准数据集进行仿真实验,结果表明,该算法针对不同的攻击方式的平均检测准确率均能达到90%以上,能够准确识别攻击类型,可为工控系统入侵检测提供有效方法。     

基于改进灰狼算法优化支持向量机的短期交通流预测

实时、准确的短期交通流预测是智能交通系统的基础和关键技术之一.由于灰狼优化算法(GWO)存在收敛速度慢、易陷入局部最优解等缺陷,为进一步提升短期交通流预测的精度,提出了基于改进灰狼算法(IGWO)优化支持向量机(SVM)的短期交通流预测模型.首先,本文提出引入帐篷(Tent)混沌序列初始化灰狼种群,更改收敛因子的线性递减公式,对灰狼群体进化差分丰富种群多样性等方法提高算法的收敛速度和收敛精度.之后,通过对8个测试函数的计算,并与粒子群算法(PSO)、GWO进行对比,证明IGWO的先进性.最后,建立IGWO-SVM短期交通流预测模型,并通过实际数据对比分析IGWO-SVM、GWO-SVM、PSO-SVM、SVM这4种短期交通流预测模型的预测效果.对比结果表明：IGWO-SVM具有良好的鲁棒性和泛化能力,可以对短期交通流进行精确预测.     

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.     

基于改进型支持向量机的胶接强度预测模型

文章建立了有限元模型计算复合材料修复的含中心裂纹钢板的裂纹处应力强度因子(stress intensity factor,SIF),把仿真结果作为训练样本;提出通过支持向量机(support vector machine,SVM)对样本集进行训练和预测,建立基于复合材料补片尺寸参数的胶接强度预测模型,综合考虑补片的长度、宽度和厚度之间的关联性,为补片参数选择提供参考;采用遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)和改进的粒子群算法(improved particle swarm optimization,IPSO)对SVM的惩罚因子c和核函数的参数g进行寻优,分别建立GA-SVM、PSO-SVM、IPSO-SVM 3种模型对胶接强度进行预测。结果表明:IPSO-SVM模型的预测效果要优于GA-SVM和PSO-SVM模型;IPSO-SVM模型能够准确地预测修复结构的胶接强度。利用该预测模型可以避免重复建模仿真,降低了考虑补片尺寸参数耦合时的复杂性;应用该预测模型所得的最优尺寸参数对结构进行修复,结构的强度得到了有效提高。     

基于PSO-SVM算法的软土复合固化剂最优配比

为实现软土复合固化剂最优配比的准确预测,首先根据固化土无侧限抗压强度(qu)的试验结果,建立了基于支持向量机的固化土qu预测模型,然后以固化土最大无侧限抗压强度为目标函数,结合粒子群优化算法(PSO),提出了软土复合固化剂最优配比的PSO-SVM耦合算法,最后讨论了最大迭代次数(Nmax)和粒子数(Np)对PSO-SVM算法预测结果的影响.算例分析表明:PSO-SVM算法预测精度优于响应面法,可适用于某一龄期下任意软土复合固化剂最优配比的确定,在采用PSO-SVM算法预测时,建议参数设定为Nmax≥60次,Np≥40个.     

基于粒子群优化的支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出了一种基于粒子群优化(PSO)的支持向量机(SVM)重建患者直肠感知功能的方法.分析人体直肠压力生理特征,将典型直肠压力收缩波形中的巨大移行性收缩(HAPC)作为产生便意的主要依据,利用小波包分析对直肠压力信号进行特征提取,通过提取的特征向量对基于SVM的直肠感知预测模型进行训练,使用PSO算法对SVM的参数进行优化,并利用训练后的模型进行便意预测,同时对比分析了参数优化后的SVM和不同核函数的SVM便意预测的准确率.实验结果表明,所提出方法切实有效,能够帮助患者重建直肠感知功能.     

基于随机森林的地表下沉系数求取方法

地表下沉系数是开采沉陷预计的重要参数。文章介绍了随机森林回归算法的基本原理以及基本的实现流程,讨论了影响地表下沉系数的地质采矿因素,建立了一种用于计算下沉系数的随机森林回归预测模型。对模型的测试结果表明,预测值与实际值的最大相对误差为3.52%,最小相对误差仅为1.06%。利用该预测模型求取下沉系数不仅速度快,而且具有较高的精度,可以在实际工程中推广应用,该模型为求取下沉系数提供了新的途径。     

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．     

基于粒子群算法与图形处理器加速的支持向量机参数优化方法

支持向量机(support vector machine,SVM)的参数选择对其性能有着重要的影响,使用穷举法优化参数需要大量的计算时间.为快速寻找最优参数组合,利用粒子群算法(particle swarm optimization,PSO)收敛速度快、简单易行等特点,将SVM参数作为粒子的解决方案.并利用图形处理器(graphics processing unit,GPU)并行化处理能力计算每个参数的分类准确率,从而提升了在一定的搜索空间内寻找最佳参数组合的计算速度.对UCI数据进行实验,对比结果显示,该方法能快速有效地获取优化结果.