地下工程围岩稳定性分类的突变级数法研究

提出基于突变级数理论的地下工程围岩稳定性分类的评价方法.根据突变级数理论,对影响地下工程围岩稳定性的因素(包括岩石质量指标、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)进行多层次分解,对数据进行归一化处理,结合突变理论与模糊数学理论,进行综合量化运算,得到最后的评价类别.利用广州抽水蓄能电站一期工程的12个实测数据和插值法得到的18个学习样本,建立地下工程围岩稳定性分级的突变级数模型,并用于电站二期工程22处围岩的稳定性分类中.研究结果表明,突变级数法的判别结果比较符合实际,并与人工神经网络法、支持向量机法判别结果较一致,为地下工程围岩稳定性分类提供了一种新方法.     

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.     

隧洞岩体质量分级的支持向量机方法

将支持向量机应用于岩体质量等级分类中,采用工程中适用性强的指标如岩石质量指标、完整性系数、单轴饱和抗压强度及结构面摩擦因数,作为判别因素. 选用径向基核函数进行训练,通过交叉验证确定最佳模型参数,建立了岩体质量分级模型. 该模型采用成对分类方法构建多类分类模型,与已有文献采用一对多分类法构建支持向量机多类分类模型相比,不可分区域减少很多,即模型分类精度提高显著. 将该模型应用于工程实例,结果表明预测结果与工程勘测结果完全吻合,证明了支持向量机岩体质量分级方法的有效性.     

基于相对距离的加权支持向量机

根据支持向量样本、边界向量样本、相对距离和加权系数之间的关系,提出了基于相对距离的加权支持向量机.利用相对距离表示了每个样本的重要性.并构造函数计算出每个样本点的加权系数,体现了支持向量对加权系数的影响,并且有效地处理非均衡数据对分类的影响,从而提高了支持向量机的训练速度和分类能力.     

基于粗糙集和支持向量机的客户价值分类

针对现有数据挖掘模型解决客户价值分类的不足,提出了基于粗糙集和支持向量机理论的客户分类模型,该模型首先应用粗糙集理论对主要指标属性进行特征提取,约简出主要指标体系,然后将训练样本送入支持向量机进行学习和训练,进而对检验样本的客户类别进行判别.结果表明:与传统的客户分类模型相比,基于粗糙集和支持向量机的客户分类模型对检验样本的预测精度更高,具有良好的分类效果,是一种更为高效和实用的分类方法.     

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.     

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.     

一种改进的加权支持向量机

根据支持向量样本、边界向量样本、噪声样本、中心距离比值、百分位数和加权系数之间的关系,提出了基于中心距离比值的加权支持向量分类机,有效地处理了支持向量样本对加权系数的影响,并能够应用于非均衡数据和噪声数据,从而提高了加权支持向量机的分类能力.     

基于支持向量机的不平衡数据分类的改进欠采样方法

支持向量机作为一种有监督分类算法,具有小样本,非线性等独特优势,但其在处理不平衡数据分类时效果不够理想.欠采样是一类常用的数据重构方法,它被广泛用于解决不平衡数据的分类问题,然而,传统的随机欠采样方法受随机性影响,稳定性较差.提出一种改进的欠采样方法,并应用在支持向量机上进行分类对比实验.实验结果表明,相比传统随机欠采样方法,该方法的稳定性更好,且在许多情况下可以提高支持向量机对不平衡数据的分类性能.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

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AP算法支持向量机的设计与应用

设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器, 使用AP聚类算法优化数据集, 得到了高质量、 小样本的SVM分类器训练集. 实验结果表明: 与传统的SVM分类器相比, 混合分类器具有更高的分类精度; 在心脏病预测上, 该分类器的效果较好.     

支持向量机最优参数选择的研究

支持向量机是近几年发展起来的机器学习方法,模型选择是设计支持向量机的关键。基于高斯核函数的支持向量机具有良好的学习性能,被广泛应用于模式分类中,讨论了核函数中C和y对分类函数的影响,提出针对不同类型的数据,SVM应选用不同的核函数,同时利用二分法对核函数（C,γ）寻优,并将其应用于变压器故障诊断中,仿真结果表明该方法具有较好的性能。     

一种改进的支持向量机及其在图像分割中的应用

多类支持向量机在实际应用领域是一个非常重要的问题。广泛应用的多类SVM方法包括：一对一、一对多和DAG等。众多实验表明一对一方法通常具有较高分类准确率,但传统一对一方法测试时间较长限制了其在大数据量识别任务中的应用。针对一对一支持向量机方法进行了改进,提出了一种改进的支持向量机,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。     

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.     

Support vector machine based on chaos particle swarm optimization for fault diagnosis of rotating machine

The performance of the support vector machine models depends on a proper setting of its parameters to a great extent. A novel method of searching the optimal parameters of support vector machine based on chaos particle swarm optimization is proposed. A multifault classification model based on SVM optimized by chaos particle swarm optimization is established and applied to the fault diagnosis of rotating machines. The results show that the proposed fault classification model outperforms the neural network trained by chaos particle swarm optimization and least squares support vector machine, and the precision and reliability of the fault classification results can meet the requirement of practical application. It indicates that chaos particle swarm optimization is a suitable method for searching the optimal parameters of support vector machine.     

垂直分布数据的隐私保护支持向量机

随着人们对隐私权的越来越重视,隐私保护数据挖掘成为当前研究热点.分类算法作为一个重要的数据挖掘方法被应用到各个领域,其中支持向量机(SVM)是分类算法中一个重要方法.并且数据的隐私性和安全性是人们关注的重点.本文对SSP协议进行扩展提出了一个基于垂直分布数据的隐私支持向量机算法,这个算法具有更高的效率和更好的安全性.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．