基于支持向量机方法的深基坑变形预测

提出了深基坑变形预测的一种新方法,即支持向量机方法.该方法根据有限的学习样本,建立了各种影响因素和深基坑变形之间的一种非线性映射.基于已有的深基坑变形资料,采用支持向量机模型,对深基坑现场实例进行了预测,网络输出结果与实际情况十分吻合.实例研究表明,支持向量机方法用于预测深基坑变形是有效且可行的.     

深凹露天转地下开采高陡边坡变形与破坏规律

以大冶铁矿为工程背景,采用相似材料模型实验和数值模拟计算相结合的方法,对深凹露天转地下开采高陡边坡的变形和破坏规律进行了系统研究.首先,模型相似实验中,采用百分表、压力传感器和近景摄影测量等手段监测模型的应力应变和破坏特征,对围岩位移和破坏裂纹进行系统分析,揭示了高陡边坡的变形和破坏基本规律.其次,采用有限差分软件,从地表沉降量、应力值变化和塑性区分布等方面与相似材料实验结果进行了对比分析.结果表明,高边坡竖向最大沉降为28.2mm,围岩破坏程度随着开采深度的增加递增,塑性区范围不断扩大,剪切破坏主要集中在两侧边坡的边脚部位.相似模型实验和数值模拟相结合可以较好地揭示深凹露天转地下开采过程中高陡边坡的变形和破坏基本特征,是一种较好的理论研究方法.     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法（improved sparrow search algorithm,ISSA）优化支持向量机（support vector machine,SVM）,进而建立边坡稳定性预测模型（ISSA-SVM模型）。将重度、粘聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取国内外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法（grey relation analysis,GRA）进行敏感性分析。结果表明：ISSA-SVM模型预测精度更高、泛化能力更强,粘聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于支持向量机的任务调度模型

云计算框架大大改进了并行算法的实现难度,但是大部分算法有其局限性.介绍了MapReduce(映射化简)的基本实现原理和调度模型的缺陷,提出了基于支持向量机的的MapReduce进化算法,并给出了基本模型及实现.运用Hadoop云计算平台进行了仿真验证,实验结果表明,基于支持向量机的MapReduce计算框架在候选云节点的调度分配的准确性上有明显提高,并且加快了数据迭代的效率.     

岩体力学参数反演的模拟退火支持向量机方法

针对支持向量机在参数(包括核函数及其参数)确定方面的问题,利用其在处理小样本、高维数、非线性等问题的优良特性,及模拟退火算法的全局优化能力,提出了基于模拟退火算法的支持向量机方法,将该方法引入到岩土工程问题中,形成岩土体参数识别的模拟退火支持向量机方法,并通过算例说明了该方法的可靠性.     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

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.     

基于支持向量机回归的曲线拟合

在科学实验研究中,经常需要实验的观测数据,来寻求两个物理量之间近似的解析函数关系和曲线方程,这就是人们常说的数据拟合或曲线拟合,而且经常要从这些已知数据中总结规律,用以预报未知。本文引入支持向量机作为背景进行曲线拟合。此法能满足在小样本情况研究统计学习规律的理论,通过引入结构风险最小化准则来控制学习机器的容量,从而刻画了过度拟合与泛化能力之间的关系。     

露天转地下开采岩体稳定性三维数值模拟

露天转地下开采围岩应力和工程尺度同时影响着地下工程和露天边坡的稳定性.通过三维数值模拟,揭示了露天边坡内地下开采采场周围和边坡的力学环境,探讨了围岩移动变形、应力分布和破坏机理,分析了边坡稳定性状况.研究表明,在扰动边坡下进行地下开采,坡脚处的局部弧形破坏区将进一步恶化,但不会影响边坡的整体稳定性.由于边坡的卸荷作用,导致采场上覆岩层成拱机制减弱,采空区覆岩存在整体垮冒的可能性.     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

露天转地下最佳开采模式

建立露天转地下开采模式综合评判模型,运用层次分析法和模糊数学的基本原理对多种开采模式进行评判优选.评判优选过程中,综合考虑影响露天转地下开采模式的动态、静态、定量、非定量指标,如技术、经济指标及边坡稳定程度等:将待选择方案指标转换成隶属度矩阵,通过层次分析法得到各因素权重向量;从而建立模糊综合评判模型,利用模糊数学原理计算出各方案基于影响因素的综合优越度.以石人沟铁矿为例,4种开采模式的优越度分别为45.82％,84.32％,89.88％,80.75％,从而确定第3种方案最优.     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

露井联采下边坡体变形机制的研究

在露天和井工同期开采下,因边坡体处于井工开采的影响范围内,两种采动效应互相扰动、互相叠加和互相影响,从而构成了复合叠加的作用,边坡体的变形表现为露天和井工两种采动效应叠加的变形机制。以紫金山金铜矿露井联采实例为工程背景,应用Midas GTS软件建立露井联采作用下边坡体三维分析模型,并采用FLAC3D数值模拟软件对三维模型进行数值分析,通过研究各个开采阶段露天边坡体的水平位移、下沉值及应力值,总结露井联采下边坡体的变形机制。     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

基于支持向量机的上海市宝山区房价的判别与预测

房价问题是关系民生的热点话题,统计分析房价的影响因素时,收集的基本上是小样本、多变量的数据。先用多元统计方法将宝山区12城镇(街道)的房价进行分类和回归分析,然后运用支持向量机(Sup-port Vector Machines,SVM)建立了判别和预测模型,对城镇房价进行分类判别和预测比较,结果说明支持向量机对于小样本的研究有一定的优势。     

基于SVM的多特征图像隐秘分析

文章通过分析研究隐秘图像和正常图像小波子带系数高频部分的统计特征,从纹理统计矩、DCT系数直方图矩和上下文块之间的相关性方面来提取特征,组成特征向量,并采用SVM方法进行分类,实现了一种从不同类型、不同角度提取多个特征的图像隐秘分析算法,解决了现有通用性隐秘分析算法特征提取不足的问题。实验结果表明,这是一种有效的、高精度的及通用性的检测方法。