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。     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.     

基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。     

基于自然驾驶数据的危险事件识别方法

利用阈值法从自然驾驶数据中识别可能的危险事件,再采用随机森林模型和支持向量机模型深度筛选,克服了阈值法误报率过高的缺陷。基于上海自然驾驶数据,建立提取危险事件的阈值标准,从原始数据中识别出3 623起可能的危险事件;利用随机森林模型筛选出重要特征作为输入变量,训练机器学习模型,对测试集进行预测。结果表明,起到关键作用的变量有:纵向加速度的最小值和均值、与前车距离的最小值以及车速的标准差。相比随机森林模型,支持向量机模型预测效果更优,在控制漏报率的同时,可过滤85.9%的无效事件。     

基于LS-SVM的热带气旋强度预报

建立了基于最小二乘支持向量机的热带气旋强度预报模型。针对机理建模和神经网络建模无法提供热带气旋强度预报的有效解决方案,研究了基于最小二乘支持向量机的回归模型。利用给定的热带气旋数据集,使用交叉验证和网格搜索的方法对最小二乘支持向量机回归模型进行了参数优化选择。实验结果表明,建立的热带气旋强度的12,24,48和72 h的预报模型,都满足了预定的误差要求。     

考虑时空变化的雷暴冲击风风场特性

为研究雷暴冲击风全周期内风场时空变化特性,基于流体力学计算软件FLUENT,采用大涡模拟进行风场瞬态模拟,并结合风暴中心移动及出流风速衰减这2个影响风场特性的主要因素,更加接近真实地模拟实际雷暴冲击风的发展至消散过程.模拟结果表明:受风暴移动和下沉气流变化影响,整体风场呈现出不稳定、随时间和空间变化剧烈的特点;风暴前方存在较大旋涡,水平风速沿竖向分布呈现出典型的鼻状下击暴流风剖面;风暴中心移动路径附近位置的风速时程规律与实测数据特征基本吻合;风暴中心后方产生较多小漩涡,湍流度较大.因此,对于处在雷暴冲击风影响范围内的结构和建筑物,除了需要考虑雷暴冲击风的正面侵袭外,还应考虑风暴中心经过后尾流区域涡旋的影响.     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

一种风电场风速异常数据预处理的新方法

针对风电场采集到的历史风速数据中存在异常值的问题,为保证风速数据的准确性和有效性,提出了一种运用差分自回归滑动平均(auto regressive integrated moving average,ARIMA)、小波分解(wavelet decomposition,WD)和隐马尔科夫(hidden Markov model,HMM)组合算法对异常风速数据进行挖掘的方法.采用ARIMA模型挖掘异常风速数据的潜在特征,得到反映风速值异常情况的残差序列;为进一步提高检测精度和降低系统误差的干扰,采用小波分解方法捕获残差序列中的粗大误差特征;借助HMM算法的双重随机过程检测异常风速值并剔除,将剔除异常值后的数据运用粒子群优化最小二乘支持向量机方法进行重构,保证风速序列的完整性.实际算例结果表明了所提方法的有效性和可行性.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于快速支持向量机算法的灌浆地层识别

针对灌浆地层裂隙存在不确定性变化的特点,提出基于支持向量机(SVM)的灌浆地层智能识别方法,以提高地层识别能力.为了提高支持向量机模型的运算速度,采用几何方法求取支持向量,避免了二次规划算法求解.该算法根据支持向量的几何分布特点,从距离最近的样本点开始,通过不断地寻找违反KKT条件的样本点来找出支持向量.最后,选取大理岩石(较完整地层)和砂质板岩地层的部分灌浆实验数据样本建立灌浆地层的分类模型,用其他未训练的同分布的新数据进行地层识别验证.仿真结果表明,改进支持向量机分类方法简单有效,与神经网络方法相比有更强的泛化能力和更快的运算速度.     

翼伞系统自主归航在线风场辨识研究

研究了1种适用于翼伞系统自主归航过程中的在线风场辨识模型.针对翼伞系统归航过程中容易受到周围风场干扰,实现精确自主归航需要辨识出周围风场信息的问题,根据翼伞系统飞行轨迹变化特征,建立了1种在线风场辨识的模型.模型分为转弯飞行和直线飞行风场辨识2个部分,采用风速矢量3角形及曲线拟合等方法实现实际平均风场识别.对模型的应用条件和性能特征作了分析.数据仿真结果表明,该模型能够正确识别出预定风场信息,证明了模型的正确性和有效性,为翼伞系统实现在线轨迹规划提供了风场信息前提.     

基于非平衡数据处理的管道泄漏检测与定位研究

针对管道运行状态数据的非平衡性会造成管道泄漏诊断准确率下降的问题,提出了一种基于非平衡数据的管道泄漏检测与定位方法.首先,将管道各工况非平衡数据采用基于K均值聚类的欠采样方法处理,使其达到数据平衡.然后,将Fischer-Burmeister函数引入到双支持向量机学习过程中,以避免目标函数求解时矩阵的求逆计算,并将平衡数据作为改进双支持向量机算法的输入,识别管道泄漏.采用相关分析法实现泄漏点定位.根据Flowmaster搭建的管道模型,运用该方法识别管道泄漏.仿真实验表明,与经典双支持向量机和拉格朗日双支持向量机相比,该方法能更快速识别管道泄漏孔径及定位.     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

可视化仿生鼻对五小香型白酒的识别

建立了一种有潜力的人工仿生鼻方法,用于分析典型的中国五小香型白酒。为减少误差、去除冗余数据,采用阈值限定结合平方和均值方根的方法对原始RGB数据进行预处理;在可视化区分的基础上采用分层聚类分析（HCA）、主成分分析（PCA）以及支持向量机（SVM）的分析方法,对预处理后的数据进行分析。聚类分析方法依据香型衍生的不同可以实现正确的归类;利用主成分分析得到的前3个主成分包含了白酒80.79%信息量,可以将不同香型白酒正确区分;支持向量机的可视化仿生鼻能对白酒香型进行有效区分,其识别的准确率达到了100%。研究结果表明,基于可视化传感技术的可视化仿生鼻可以用于五小香型白酒的识别。     

基于HOG特征提取和模糊支持向量机的西夏文字识别

提出了基于方向梯度直方图(Histogram of oriented gradient, HOG)特征提取和模糊支持向量机(Fuzzy support vector machine, FSVM)的西夏文字识别技术.在模糊支持向量机模型中引入了新的隶属度函数,构造了基于多超平面的模糊支持向量机模型,增强了分类能力,降低了噪声点的干扰,提高了分类效率.将HOG特征提取和FSVM相结合应用于西夏文字识别,提高了文字识别效率.通过在数据集上测试,并与已有的文字识别方法相比较,结果表明,HOG特征提取结合FSVM的方法性能优于现有的其他方法.     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.     

稳态冲击风作用下高层建筑风荷载特性试验研究

雷暴冲击风风场与大气边界层风场差异较大.为研究雷暴冲击风作用下高层建筑风荷载特性,采用静止型冲击射流装置模拟稳态雷暴冲击风风场,进行高层建筑刚性模型测压试验,讨论了不同径向位置处高层建筑局部和整体风荷载时域和频域特性.结果表明:建筑表面平均风压最大值出现的位置与径向风速峰值一致.同时,迎风面风压最大值出现在底部,明显不同于大气边界层风场中最大值靠近顶部位置的风压分布特性;径向层风荷载均值最大值出现在建筑中部,横风向和扭转向层风荷载均值为0.径向和横风向层风荷载谱沿高度不变,而扭转向层风荷载谱沿高度变化明显.     

中国近海海面风场的分类

为系统研究中国近岸海域海面风的统计特征, 利用聚类分析方法实现了风区域划分和风场的自动分类, 得到4个风区域, 共31个风场类型。风区域反映了中国近海海域风速的区域相关性。风场类型很好地识别出各海区季风典型场, 以及反映海区常见天气系统的特征风场。一些处于冬夏季风过渡时期和可在全年出现的特定风场类型也被识别出来。风场类型除了对平均风速有影响外, 对其他气象要素包括温度、湿度, 也有显著性影响。对各个风场类型的出现频率、时间分布、平均风速和风向分布等特征量的全面分析, 揭示了中国近岸海域海面风场的统计特征。