用聚类支持向量机模型监测环保设备运行状态

针对环保设备多状态监测与识别问题,提出了一种基于多分类聚类支持向量机的分类算法模型.该算法模型充分利用多个相关联被监测设备及其状态属性特征,采用神经网络聚类分析获得关联特征的聚类子空间,再对聚类子空间构造二叉树支持向量机进行多分类识别.该算法模型避免了盲目分类,与单纯的支持向量机算法比较具有更好的分类性能.通过对日本大晃船用污水处理装置实测样本的训练、检验表明,该算法具有98%以上的分类识别率.     

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.     

地采诱发建筑物损害识别的进化支持向量机模型

针对采动区建筑物损害程度的影响因素较多且各因素呈现非线性、多重共线性等特点,应用支持向量机理论并结合工程实际,提出基于支持向量机理论的地采诱发建筑物损害效应预测方法。综合考虑地质采矿方面和建筑物本身因素,选取10个影响砖混结构建筑物采动损害程度的因素作为模型的输入,将砖混结构建筑物的损害等级及建筑物的最大裂缝宽作为模型的输出,以32个建筑物采动损害的工程实例作为学习样本进行训练;采用RBF核函数,建立建筑物损害等级预测的支持向量机分类和最大裂缝宽回归模型;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,并对6组待判样本进行判别。研究结果表明:建立的遗传算法优化支持向量机分类与回归模型对地采诱发建筑物损害效应预测效果良好,评估结果与实际结果相吻合。     

基于支持向量机分类算法的多煤种煤 自燃危险性预测

为了高效地防治煤矿井下煤自燃,在分析现有的煤自燃预测方法的基础上,针对性地开展了基于支持向量机分类算法的煤自燃危险性预测研究.选取指标气体(氢气、一氧化碳、二氧化碳、甲烷、乙烯、乙烷)、气体浓度比值(烯烷比、Graham系数)和煤炭种类(褐煤、长焰煤、气煤、肥煤、焦煤、贫煤、无烟煤)作为特征指标,危险等级作为样本标签,建立了多煤种支持向量机煤自燃危险性预测模型.使用K-CV(K折交叉验证)法和网格搜索法、遗传算法、粒子群算法相结合的方式进行参数寻优,得出由网格搜索法确定的参数的模型分类准确率最高.将测试集带入模型进行检验,得出模型分类准确率为98.26%.最后将多煤种支持向量机模型与单煤种支持向量机模型和神经网络进行对比,得出多煤种支持向量机性能最优,能够很好地适用于现场煤自燃预测.     

粗集与支持向量机联合建模及在开采沉陷预计中的应用

地表沉陷与地质采矿因素之间存在复杂的非线性关系,人们通常采用概率积分法、神经网络等研究沉陷的规律性,但预计效果往往不够理想。本文采用粗集及支持向量机技术对其进行研究,首先应用粗集理论进行了岩移影响因素分析,给出了各影响因素的支持度,然后运用支持向量机预测技术构建了支持向量机预测模型。最后用实例进行了预测分析并与传统方法进行了对比,结论表明,本文建立的模型具有网络运行稳定、精度更高的优点。     

采空区危险性评价方法优化

为了更合理精确地评价采空区危险性,对利用神经网络评价的方法进行优化,建立主成分分析法与神经网络结合的采空区危险性评价模型.从地质和工程条件出发,综合考虑影响采空区稳定性的13项主要因素,统计样本数据.运用主成分分析法对影响采空区稳定性的样本进行预处理,将分析结果作为神经网络的输入数据,减少输入变量,消除变量之间的相关性,从而加快数据处理速度,提高预测精度.将该方法应用于锡矿山的采空区危险性评价.结果表明,预测误差在8％以内,较未经主成分分析的神经网络预测精度有了很大提高.利用主成分分析法和神经网络结合建立的采空区危险性评价模型具有分析速度快、预测精度高等优点.该方法科学合理,为采空区危险性评价提供了一种更完善的评价体系.     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

基于支持向量机的结构损伤识别研究

支持向量机(SVM)是一种针对分类和回归问题的统计学习理论,能有效地解决模式识别中的分类问题.该文提出了基于支持向量机的结构损伤识别方法:以归一的频率变化比(NFCR)和归一的损伤指标(NDSI)作为特征参数,训练支持向量机进行损伤识别.用一个12层钢混框架有限元数值模型进行验证,同时分析了影响SVM模型性能的主要因素.结果表明,本文提出的方法具有较高的损伤识别能力,而核参数的选择对识别精度有较大影响.     

基于矩特征及支持向量机的图像识别

小波矩兼顾了目标的局部与全局范围的不变性特征,在计算复杂度和识别相似形状的物体时比Hu矩、Zemjke矩具有更好的识别效果;支持向量机建立在统计学习理论基础上,在实现识别分类方面比传统神经网络具有更好推广能力.利用小波矩提取目标的不变性特征,并输入到支持向量机进行分类识别,仿真实验表明该算法具有更好的识别效果.     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

一种基于深度学习的中文文本特征提取与分类方法

提出了一种基于卷积循环神经网络的文本特征提取方法,同时对比使用统计学中的TF-IDF以及Word2vec方法的文本特征表示,将提取的特征分别放入SVM与随机森林分类器中对来源于中国知网的中文学术论文数据集进行分类。实验结果表明,使用卷积神经网络和卷积循环神经网络特征提取模型提取的特征所取得的分类效果比TF-IDF、Word2vec特征提取方法得到的分类效果更好,同时使用SVM和随机森林分类器取得的分类效果略好于原生的神经网络。     

改进TOPSIS与GA-BP耦合的采空区危险性辨析

针对目前采空区危险性辨析过程繁冗且准确性低的问题,提出了改进的TOPSIS与神经网络耦合的辨析方法.首先,为提高训练样本采空区危险性辨析客观准确性,将理想解方法(TOPSIS)进行改进,分别利用绝对理想点以及IFAHP避免了由于理想解及权重变化引起的逆序现象,并利用各辨析指标不同危险等级的区间临界值实现了TOPSIS对采空区危险性等级划分.将改进TOPSIS运用于某矿山100组采空区进行危险性辨析并验证结果.然后,为简化辨析过程,使改进TOPSIS与GA-BP神经网络有效结合,以经过TOPSIS辨析的100组样本采空区对GA-BP训练得到神经网络模型并对5组样本进行危险等级输出,结果与事实相符.研究结果不仅提高了采空区危险性辨析的客观性,并为简化辨析过程提供了新的思路,提高了工程应用性.     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

围岩稳定性评判的支持向量机多分类模型

围岩稳定性评判对指导地下工程的设计和施工具有非常重要的意义.引入支持向量机多分类方法,进行围岩稳定性分类.选用影响围岩稳定性的因素,岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量等5项指标作为模型的判别因子,建立了围岩稳定性分类的支持向量机模型.以围岩实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行分类.结果表明,支持向量机模型分类性能良好,预测精度高,是围岩稳定性分类的一种有效方法,可以在实际工程中进行应用.     

施工阶段隧道围岩快速分级法

现阶段隧道围岩分级工作主要在勘察设计阶段进行,但由于受周边环境及勘察手段的限制,分级结果往往与围岩实际情况不符。为准确获得隧道围岩等级,基于声波-回弹联合测试法,建立"BP神经网络模型"在施工阶段快速预测岩石强度(R_c),利用掌子面炮孔进行岩体纵波波速测试并通过公式计算完整性系数(K_v)后,得到基于岩体基本质量指标(BQ)的施工阶段围岩快速分级法,并以宝汉高速石门隧道为依托在施工阶段对围岩进行分级。结果表明:建立的BP神经网络预测模型可实现岩石强度的现场快速无损预测,预测结果具有较高准确度;根据岩体纵波波速测试结果,可实现岩体完整性系数的定量计算,进而完成石门隧道施工阶段围岩快速分级,对比勘察阶段的分级结果,施工阶段所获得的分级结果更加精确。     

侧撞事故伤亡决定特征提取和影响因素分析

在交通事故中侧撞事故严重性最强,分析侧撞事故伤亡特征并得出决定性影响因素有助于降低事故风险.该文先使用随机森林特征选择算法对交通事故的影响因素进行降维; 然后,通过随机森林、神经网络、SVM模型3种分类模型来验证降维效果,得出事故影响因素的重要程度; 最后,构建了3种Logit模型来探究事故伤亡程度与影响因素之间的关系,得出各因素对事故严重程度的具体影响.研究结果表明:当提取安全气囊、车辆类型、年龄、防护措施等9种重要程度较大的影响因素作为特征子集时,模型的准确率和有效率达到较高水平.随机参数Logit模型分析的结果表明:在T字路口、驾驶员为男性等情况下事故率较低; 车辆体型越大事故伤亡率越低.     

基于动态神经网络支持向量机的FPGA实现

研究了一种基于动态神经网络支持向量机(SVM)的FPGA硬件实现方法.提出了基于动态神经网络的最小二乘支持向量机(LS-SVM)神经网络结构,完成了VHDL语言描述的基于动态神经网络的LS-SVM结构设计,并在XILINX SPANT3E系列FPGA中完成了LS-SVM的分类与回归实验.结果表明,该硬件实现方法很好地完成了SVM的分类与回归功能,与现有的软件仿真和模拟器件实现相比,该方法具有更快的收敛速度和更高的灵活性.     

一类产品需求预测的支持向量机方法

 需求预测是企业生产运营决策的基础,预测精度影响着产品的安全库存量,关系到企业利润和市场竞争力.建立了一类产品（包含多个品牌）基于支持向量机(support vector machine, SVM)的需求预测模型.在该预测模型中考虑了诸如季节性和促销等不确定性因子对产品最终需求的影响.模型的训练数据和测评数据采用的是由该类产品需求函数生成的数据.测试阶段的评价则是通过与其他统计模型（回归预测方法(REG）、双因素指数平滑法(DES)、Winter模型预测方法(WIN)）和径向基神经网络模型(radial basis function neural network, RBFNN)的对比来实现的.实验结果表明,基于SVM的需求预测模型预测精度明显优于其他模型,有效地降低了产品安全库存量,提高了企业利润,为解决这类产品需求预测问题提供了一个有力的工具.     

Kohonen自组织神经网络在织物折皱等级评定中的应用

采用Kohonen自组织神经网络客观评定织物折皱等级，依据自组织神经网络的基本原理，结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

基于DE-SVM的岩层可钻性预测研究

鉴于试验确定深部岩层可钻性指标成本很高,而且测井信息神经网络模型往往存在过学习问题,利用遵循结构风险最小化的统计学习理论工具——支持向量机(SVM)建立可钻性预测模型,通过支持向量机对样本的学习,建立岩层可钻性与诸多测井信息的复杂非线性映射.为解决支持向量机参数选取问题,引入全局优化算法——差异进化算法(DE),建立DE-SVM的进化模型,进一步提高模型预测精度.算例表明,差异进化算法收敛快速,该方法预测精度高于传统方法,对新井钻头选型和钻速确定有重要意义.