基于最小二乘支持向量机的大坝变形预测研究

大坝变形预测是风险评估的关键,而涉及因素存在高度非线性.为达到好的预测效果,提出了一种基于最小二乘支持向量机(LSSVM)的大坝变形预测方法.在数据预处理方面,针对传统的参数平方、立方这种处理方式,提出变阶次概念;针对LSSVM交叉验证耗时过多,提出了一种简单可行的变参数方法 .为了快速获得优化结果,引入基于十进制的遗传算法.此外,为进一步提高预测精度,引入遗忘因子概念.最后,给出一个实例.     

基于支持向量机的P2P流量管理模型设计

对P2P的网络流量进行识别是P2P研究领域中的一个重大难题,为了实现对其管理,提出了一种基于支持向量机(SVM)的P2P流量分类管理模型.首先获取P2P网络流量数据,然后将获取的样本数据输入SVM并对SVM进行训练,最后将测试样本数据输入SVM进行P2P流量分类管理.仿真实验证明了该方法具有较高的检测率和较低的漏报率.     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.     

基于证据权模型的宁芜盆地中段玢岩铁矿资源预测

基于证据权模型,对宁芜盆地中段玢岩铁矿进行矿产资源评价.首先,结合研究区的成矿地质背景,提取地层、岩体、构造、物探异常等四大类证据因子.然后,分析各证据因子与铁矿点之间的空间关系,认为大王山旋回火山岩与次火山岩与玢岩铁矿的关系最为密切,是寻找玢岩铁矿的岩石标志,深成侵入体则与铁矿空间上无明显关系,构造、物探异常在空间上与玢岩铁矿也有较大关联.根据计算结果,选取与玢岩铁矿密切相关的大王山旋回火山岩地层、闪长玢岩岩体、各方向(EW,NW,NE)构造缓冲区、航磁异常和布格重力异常七类证据图层.最后,采用证据权模型进行成矿后验概率计算,结合成矿地质背景及物探异常,圈定5个成矿预测区,它们在区域上具明显的NE向展布特征,并且普遍分布与成矿密切相关的闪长玢岩岩体,同时位于航磁高值以及NW向和NE向构造发育密集处.     

奥运会举重量级调整的合理性分析

通过建立数学模型来分析奥运会举重项目量级调整的合理性,为其将来的量级调整提供合理的参考依据.     

3维Minkowski空间中的特殊直纹面

研究了3维Minkowski空间中由非类光曲线的修正达布向量场生成的直纹面,证明了这些直纹面都是可展曲面.此外,对于该直纹面的微分几何性质进行了研究.     

圆模式的Andreev-Thurston定理的能量函数方法证明*

对于一个给定边界标号的加权三角剖分 $(T,\Theta)\ (\Theta\in[0,\frac{\pi}{2}])$, 通过构造$(T,\Theta)$的内部顶点上的能量函数, 推出对应于内部顶点的标号向量是由它的锥向量唯一决定的. 导出一个向量是锥向量当且仅当它 满足锥向量不等式. 通过证明所要求的圆模式决定的相关$(T,\Theta)$所有内部顶点的角总和向量满足锥向量不等式, 得到在复平面上实现该加权三角剖分$(T,\Theta)$的平面 单叶圆模式和有分枝圆模式的存在性和唯一性. 这为圆模式的 存在唯一性定理提供了一种新的证明方法.     

优化权重下平稳高斯序列的部分和与最大值的几乎处处中心极限定理

在协方差满足一定条件下,研究平稳高斯序列的部分和与最大值的几乎处处中心极限定理,获得平稳高斯序列的加权函数形式的几乎处处中心极限定理,此结果推广Marcin Dudzinski在对数平均下的平稳高斯序列的几乎处处中心极限定理.     

矩形截面型材三维拉弯成形的回弹预测

设计了用于三维拉弯成形的、可重构的柔性模具,并采用支持向量回归机和有限元模拟对柔性三维拉弯成形的回弹进行预测.使用有限元法分析了对回弹量影响较大的6个因素(包括材料参数、几何参数和工艺参数),以及它们对回弹的影响趋势.选用这6个参数设计有限元三维拉弯模拟实验,并用模拟结果训练和检验支持向量回归机回弹预测模型.通过与广泛应用的神经网络预测方法的预测值和有限元模拟试验结果的比较,检验该回弹预测模型的准确性.研究发现,该模型与神经网络相比具有更高的准确度,在试验中根据该模型预测的回弹量对模具型面进行相应的补偿,可以有效地减小回弹和形状偏差.     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。