基于优化支持向量机及Spearman秩次检验的q滑坡变形预测研究

为提高滑坡变形预测精度,先以支持向量机为基础,采用试算法和粒子群算法优化其模型参数,构建了优化支持向量机模型,实现了滑坡变形预测;其次,再利用Spearman秩次检验法来判断滑坡的变形趋势,并通过变形趋势判断来佐证预测模型的准确性。实例研究表明:试算法和粒子群算法能有效克服支持向量机在参数设定过程中的主观性,得到优化支持向量机不仅具有较高的预测精度,还具有很好的滚动预测能力。同时,Spearman秩次检验能有效判断滑坡的变形趋势,且AR(1)模型可有效剔除原始变形序列的相关性,经去相关性处理后,相应变形序列的Spearman秩次系数会不同程度的减小,得出的判断结果趋于保守;对比变形预测结果与趋势势判断结果,得出两者具有较好的一致性,验证了2种方法在滑坡变形规律研究中的适用性和有效性。     

基于多种方法综合的滑坡稳定性现状分析及变形发展规律研究

为准确评价滑坡的稳定性及变形规律,以滑坡变形监测成果为基础,先通过尖点突变理论开展滑坡稳定性现状分析,再通过变形趋势判断及预测开展滑坡变形发展规律研究。实例分析表明：在滑坡稳定性现状分析方面,经尖点突变分析,得各监测点的突变特征值均大于零,说明滑坡在现状条件下处于稳定状态;在滑坡变形发展规律研究方面,先经非趋势波动分析,得滑坡变形呈上升趋势,并经变形预测研究,亦得滑坡变形呈增加趋势,并无收敛迹象,二者分析结果较为一致,综合得出滑坡变形趋于不利方向发展。     

高地应力深埋隧道的大变形规律研究

为准确掌握隧道大变形的发展规律,以支持向量机及M-K检验为基础,构建了隧道大变形的预测模型及趋势判断模型,且为保证预测精度,先利用试算法和粒子群算法优化支持向量机的模型参数,进一步利用混沌理论优化前者的残差序列,以逐步提高预测精度;同时,利用M-K检验判断隧道大变形的发展趋势,并与前述预测结果对比,实现隧道大变形规律的综合分析。实例检验表明:通过参数优化可有效提高预测精度,且混沌理论对残差序列的优化效果较好,保证了隧道大变形的高精度预测,且M-K检验的分析结果与预测结果一致,均得出分析断面的变形将会进一步增加,验证了2类模型在隧道大变形规律研究中的适用性,进而为隧道大变形规律研究提供一种新的思路。     

年径流预测的小波系数加权和模型

利用连续小波变换和小波方差分析年径流的周期特征,已被众多学者认可并应用于年径流的分析中。但这种方法只是一种定性预测,并不能作出比较明确的定量预测.本文在原有定性分析方法的基础上,提出基于年径流时间序列主周期小波系数加权求和预测周期成分的年径流预测模型.该方法更为有效地利用了小波分析的多分辨率特征,并可减小趋势成分的预测误差.经对千河流域年径流建模并检验,结果表明,文中所提出的预测方法可得到较为理想的预测结果,并可用于年径流时间序列预测.     

深基坑开挖中KPCA结合BP神经网络的基坑变形预测

针对开挖过程中基坑变形预测的问题,提出一种基于核主成分分析(KPCA)和BP神经网络的基坑变形预测方法.首先,根据实际施工情况,确定影响基坑变形的主要因素;然后,将基坑变形数据通过多变量相空间重构技术进行建模;接着,通过KPCA技术从变形数据中提取出主要分量;最后,基于提取的主要分量来训练BP神经网络预测模型,以此实现对之后基坑施工中基坑变形的预测.实验结果表明,提出的预测模型能够准确地预测基坑变形程度,具有可行性.     

孝感汛期降水预测模型研究

本研究利用国家气候中心下发的130项气候监测数据和孝感国家基准气候站1981—2019年汛期（5—9月）降水数据,分析130项气候监测数据与孝感汛期降水的相关性,通过逐步回归的方法选取相关系数大于0.3的特征指数,建立孝感汛期降水预测模型。结果表明：具有统计学意义的降水预测模型与实际降水的相关系数R达到0.825,明显大于单个因子的相关性。通过预测模型计算汛期降水,38年中能正确预测31年降水偏多偏少的趋势。在降水预报趋势错误的7年中,仅1年误差超过30%,其余都不超过20%。说明该模型对孝感汛期降水具有较好的预测能力。     

基于机器学习算法建立脂肪肝预测模型

探索机器学习算法在脂肪肝风险预测模型的应用,为脂肪肝易发人群健康管理及风险评估提供参考。选取2006—2016年在西部战区总医院健康体检中心定期健康体检的人群作为研究对象(体检中心为该类人群建有专门软件用于管理体检数据资料),建立体检数据的纵向队列。为提高模型的预测准确性和效率,采用Logistic回归模型先剔除无显著影响的特征,再基于决策树、XGBoost、Bagging、随机森林、人工神经网络和支持向量机6种机器学习算法建立脂肪肝预测模型。西部战区总医院连续11年总参检24 106人次,近年来脂肪肝检出率呈逐年攀升趋势,计数资料采用卡方趋势性检验(χ²=228.71,P<0.001)。XGBoost集成算法在模拟实验中F-measure值最大,标准均方误差最小。实例分析中XGBoost算法建立的脂肪肝预测模型ROC曲线下面积为0.958,召回率为0.790,精确率为0.761,准确率为0.898,均高于其他机器学习算法。传统Logistic回归模型ROC曲线下面积为0.732,也远小于XGBoost预测模型,二者比较差异有统计学意义(P<0.05)...