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.     

船载气象监测预报系统研发课题2013年度科技报告

课题采用流场分析和统计学习的方法,建立基于神经网络系统辨识和支持向量机的风场反演校正模型,计算出未受干扰风场中的风速风向数据,减小干扰风场与未受干扰风场风速风向之间的偏差;利用径向基概率神经网络和支持向量机方法进行分析研究,借助机器学习方法得到气象要素数据奇异值剔除模型,从而提高监测数据的有效性;应用区域平滑滤波和阈值剔除技术,采用基于雷达反射率阈值的识别算法,实现雷暴等危险天气的识别;采用MCT耦合器技术及消息传递的并行计算方式,实现区域海气模式耦合;采用动力诊断、支持向量机、多指标叠套等预报方法,建立海上雷暴、云的船用预报模型。     

基于UGM-ULSSVM的导弹制导控制系统状态预测方法

针对基于特征参数的导弹制导控制系统状态预测存在的状态数据不等间隔、小样本的问题,并考虑各性能特征参数间的相互影响、相互关联的关系,提出了一种基于非等间距灰色联合最小二乘支持向量机(UGM-ULSSVM)的退化状态预测方法.在UGM-ULSSVM模型的训练阶段,根据特征参数序列建立其非等间距灰色预测模型(UGM(1,1)),将UGM(1,1)的拟合值作为输入,原始数据序列作为输出,分别训练得到时间型最小二乘支持向量机(TLSSVM)与空间型最小二乘支持向量机(SLSSVM);在模型的预测阶段,由建立的UGM(1,1)模型和通过证据理论融合TLSSVM和SLSSVM建立的ULSSVM模型组合得到UGM-ULSSVM状态预测模型.以导弹制导控制系统为例,实现了关键参数预测,结果验证了方法的合理性与有效性.     

改进型支持向量机在水质分类中的应用研究

文章分别使用BP、RBF等神经网络和支持向量机等非线性方法对相同的水质数据建立分类模型。使用支持向量分类机建立水质分类模型过程中,选用RBF核函数,结合归一、降维等数据预处理手段,利用网格搜索算法对参数进行寻优,得出水质分类模型。实验结果证明在非线性方法中,采用支持向量机并结合相应的数据预处理手段这种方案得出的分类准确率更高,更加具有推广性。     

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。     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

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.     

多特征和支持向量机相结合的语音端点检测模型

为提高语音端点检测正确率,提出一种基于多特征和支持向量机相结合的语音端点检测模型。首先提取多种语音特征,并将它们组合在一起,然后将组合特征输入到支持向量机训练建立相应的语音识别模型,最后采用建立模型对语音信号进行检测和识别。仿真结果表明,与其他检测模型相比,多特征融合和支持向量机的检测模型提高了语音端点检测正确率,具有更好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

基于遗传算法优化单类支持向量机的油田离心泵注水站异常检测

目前油田离心泵注水站多采用传统的人工巡检等方式进行异常检测,存在浪费大量资源且检测精度不高的情况。针对此问题,提出一种基于遗传算法优化单类支持向量机(genetic algorithm optimized one-class support vector machine, GA-OC-SVM)的注水站异常检测方法。首先,对注水站数据进行标准化、归一化处理以及特征提取;其次,使用遗传算法进行寻优得到最佳种群个体值作为单类支持向量机的参数,建立检测模型;最后,将GA-OC-SVM算法与孤立森林算法、局部离群因子算法等主流方法用于测试数据集的异常检测对比,并分析算法的精度,采用接受者操作特征(receiver operating characteristics, ROC)曲线进行模型评价。结果表明所提出的GA-OC-SVM算法更优,检测精度达到99%,同时能够节省大量的人力物力资源。     

基于权值优化的FCM-MSVM算法及其在高速公路状态判别中的应用

高速公路实时交通状态的准确判别是科学制定交通管理策略的重要基础.本文以实测的高速公路交通流三特征参数的数据作为输入,引入熵权法刻画参数之间重要程度的差异,利用改进的FCM算法对特征参数进行聚类,根据不同交通状态的结果,建立基于多分类器支持向量机的交通状态判别模型,并分别采用网格搜索法、遗传算法和粒子群算法对支持向量机参数进行优化,从而提高模型的判别准确率.最后选取实际数据对本文模型进行验证,判别结果的分类准确率可达96.3980%.     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

基于支持向量机的网络流量异常检测

提出了一种基于支持向量机的网络流量异常检测方法.分析了支持向量机的基本原理,结合网络流量异常检测的特点,讨论了异常检测的特征选择问题;提出了网络流量对称性、TCP报文SYN和SYN/ACK对称性以及协议分布等具有鲁棒性的特征参数,描述了数据的预处理方法.测试结果表明,所选特征参数可有效地检测网络攻击导致的流量异常变化,说明基于支持向量机的检测方法具有较好的泛化能力.     

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.     

基于支持向量机的城市小区燃气管网日负荷预测模型

该文使用支持向量机中的两种核函数,采用grid-search算法、遗传算法、粒子群算法优化参数,建立对吉林市某小区燃气管网日负荷预测的支持向量机模型。将日最高温度、日最低温度、日平均温度、小区人员最高年龄、小区人员最低年龄、小区人员平均年龄作为燃气管网日负荷变化密切相关的主要影响因素,分别作为支持向量机的输入量,将小区人员临时出差、小区临时增加暂住人口等随机因素作为燃气管网日负荷变化密切相关的次要影响因素,将随机因素统一归为支持向量机的一个输入量。采用[0,1]归一化方法,对作为影响因素的输入量数据与日负荷预测输出量数据进行归一化处理。对节假日和工作日的燃气管网日负荷预测采用独立处理方法,避免了相互之间的干扰影响。试验结果表明,采用径向基核函数的支持向量机预测模型对燃气管网日负荷预测拟合程度达到90%以上。     

基于细菌觅食优化多核支持向量机的作物生长环境控制

为了解决大规模生长环境变量所带来的计算复杂度较高的问题,采用细菌觅食优化多核支持向量机算法对农作物产量进行预测分析,从而实现作物生长环境的最优控制;首先,采用高斯核函数、多项式核函数和Sigmoid核函数组合方式建立多核支持向量机,其输入为作物生长环境,采用细菌觅食优化算法优化核函数关键参数;其次,利用多核函数的参数构建菌群进行训练,设置作物产量作为细菌觅食优化算法适应度;最后,通过菌群位置更新优化后的最优核函数参数进行多核支持向量机优化求解,获得空气温度、湿度,土壤温度、湿度等生长环境特征数据。结果表明,选择合适的多核函数组合,并合理设置细菌觅食优化算法的引力和斥力系数、迁徙概率阈值等参数,能够获得最高产量所对应的作物生长环境特征数据。     

基于FA-SVM的高速公路交通事件检测方法

为了剔除交通数据样本有限、事件特征变量构建相对主观且包含的信息冗余等因素对交通事件检测效果的影响,设计了一种高速公路交通事件检测方法.利用因子分析技术将交通流数据初始特征变量"降维"并提取包含全部原始数据信息的特征变量主因子;利用支持向量机完成事件检测,结合libsvm软件中的grid. py模块实现支持向量机子模型相关参数的设定;选用Fresim软件的模拟数据进行对比分析.检测结果表明,所提出的算法检测效果优势明显.     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

基于支持向量机的预应力T梁压浆质量无损检测

利用超声波透射法对预应力T梁束孔管道的压浆质量进行无损检测,并采用以高斯函数为核函数的支持向量机模式识别技术对检测数据进行自动缺陷识别。在检测过程中,首先采用超声波透射法对T梁的压浆质量进行无损检测,接着建立SVM训练和测试样本库,利用该样本库训练得到SVM模型,最后用该模型对检测数据进行缺陷识别,经对识别结果进行开窗验证。研究结果表明:采用支持向量机算法识别结果准确、可靠;与人工神经网络算法相比,支持向量机算法在训练速度、可靠性等方面都表现出了优越的性能。