露天矿边坡变形预测的协同进化多核相关向量机模型

为提高露天矿边坡变形预测精度,利用协同进化粒子群(CEPSO)优化多核相关向量机(MK-RVM)的参数,构建协同进化多核相关向量机(CEPSO-MK-RVM),并将此模型应用于露天矿边坡变形预测。将CEPSO-MK-RVM的结果与协同进化多项式核函数相关向量机(CEPSO-PolyRVM)、协同进化高斯核函数相关向量机(CEPSO-Gauss-RVM)及修正果蝇优化下的支持向量回归(MFOA-SVR)的结果进行对比,并分析CEPSO对MK-RVM参数的优化效果。结果表明,CEPSO比标准粒子群优化(PSO)算法具有更好的优化效率及最优解;用CEPSO-MK-RVM模型得到的结果,4个精度指标均优于其余3种方法,边坡变形预测的精度得到有效提高。     

基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。     

基于属性约简的绝缘节破损预测

准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

纳米金属氧化物对人体细胞毒性效应的构效关系研究

为建立高效的纳米金属氧化物细胞生物毒性构效关系预测模型，研究了20种纳米金属氧化物在不同生物条件下对人正常肺上皮细胞(BEAS-2B)和角质层细胞(HaCaT)的毒性效应构效关系，并首次将元素周期描述符(定量描述符)与试验条件参数(定性描述符)相结合，共同表征金属氧化物的纳米结构特征。在采用支持向量机-特征递归消除法(Support Vector Machine-Recursive Feature Elimination, SVM-RFE)筛选的最优描述符作为输入参数的基础上，分别应用支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)2种高效的建模方法，建立纳米材料构效关系(Structure-Activity Relationships for Nanoparticals, Nano-SAR)预测模型。2个算法训练集的准确率(ACC)均大于0.9,内部验证准确率均大于0.7,测试集外部验证的准确率也均大于0.8,模型验证结果表明2个算法均具有良好的稳定性和较强的预测能力。对比2个算法研究结果表明，RF算法优于SVM算法...     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

基于双耦合算法的煤与瓦斯突出预测模型

为提高煤与瓦斯突出预测精度,有效预防瓦斯突出灾害,将等距映射(IsoMap)算法与优化加权向量机耦合算法(DDICS-WLS-SVM)相结合,建立煤与瓦斯突出双耦合算法预测模型。首先利用非线性流形学习IsoMap算法对煤与瓦斯突出高维数据进行数据挖掘,提取其低维本质特征参量;然后通过逐维改进布谷鸟(DDICS)算法对加权最小二乘向量机(WLS-SVM)的正则化参数λ和高斯核参数σ进行寻优;最后对双耦合算法预测模型进行仿真试验,将IsoMap算法提取的低维本质特征作为该预测模型的输入,煤与瓦斯突出强度值作为模型的输出,并与PSO-SVM、LS-SVM方法的预测结果进行对比。结果表明:双耦合算法预测模型的平均相对误差为1.825%,最大相对误差为2.63%,该预测模型具有较高的预测精度。     

支持向量机在边坡稳定性预测中的应用

针对离子型稀土原地浸矿边坡稳定性问题的小样本、非线性等特点,采用一种边坡稳定性预测模型——支持向量机(SVM)模型,分别使用网格参数寻优、遗传算法(GA)参数寻优、粒子群(PSO)寻优算法来计算SVM模型的参数,分析比较3种算法得到的参数,确定最适合离子型稀土原地浸矿边坡稳定性预测的SVM回归模型的参数寻优算法。     

交通事故时间序列预测模型研究

为提升交通事故时间序列预测精度,建立一个基于相关向量机(RVM)的交通事故时序序列预测模型。结合RVM的建模与求解思想,建立交通事故时间序列预测函数关系式;设计交通时序参数预测模型实现流程,并选取均方根误差(RMSE)、模型训练时间等作为评价指标;以我国交通事故数、万车死亡率、10万人口死亡率为例,验证所建模型的有效性。实例验证表明:所建模型对不同的交通事故时间序列指标预测效果良好,预测精度高于灰色预测、自回归移动平均模型、支持向量机(SVM)等经典模型。     

基于PSO优化LSSVM模型的回采巷道顶底板移近量预测

为准确预测回采巷道顶底板移近量,减轻现场检测负担,提出一种PSO优化LSSVM算法的顶底板移近量预测方法。该方法综合考虑巷道埋深、直接顶厚度、煤柱宽度、松动圈尺寸、地质异常、巷道高度与宽度、顶底板岩性共9项主要指标因素,建立顶底板移近量预测指标体系;再利用PSO方法对LSSVM模型的核参数σ和惩罚因子f搜索寻优,得到最优核参数和惩罚因子分别为217.384 6和0.043 5;最后将优化后参数输入LSSVM中,结合现场实际参数进行训练学习,最终建立基于PSO-LSSVM算法的回采巷道顶底板移近量预测模型,进行了实例预测,并且采用方向正确性指数DA、平均绝对百分误差MAPE和希尔不等系数TIC三个指标对比评价了PSO-LSSVM模型的准确性。结果表明,PSO优化的LSSVM回采巷道顶底板移近量预测模型的DA指数、MAPE指数和TIC指数分别为0.900 0、9.063 7和0.064 7,该模型相较BP神经网络模型、单纯支持向量机模型和单纯最小二乘支持向量机模型更为真实、准确,且操作运行简便,可用于现场。     

基于HIOA-MK-TCRVM算法的边坡稳定性估计模型

为提高边坡稳定性估计方法的精度及计算效率,将混合智能优化算法(HIOA)与多核二分类相关向量机(MK-TCRVM)算法相结合,建立HIOA优化的MK-TCRVM(HIOA-MK-TCRVM)算法,并用其估计岩质边坡及土质边坡稳定性。同时,基于单核二分类相关向量机、支持向量机(SVM)等算法建立其他的边坡稳定性估计模型,并与HIOA-MK-TCRVM算法进行精度与稀疏性对比分析。最后,分析HIOA算法优化MK-TCRVM算法参数的效果。结果表明,HIOA-MK-TCRVM算法对训练集与测试集边坡稳定性估计的准确率均达到100%,其精度优于其他边坡稳定性估计模型;HIOA-MK-TCRVM算法的相关向量数占训练样本数的25%以内,模型稀疏化效果明显;向HIOA算法中加入遗传操作后,其进化速度及最优解均得到较好的改善。     

基于MABC-SVM的含瓦斯煤体渗透率预测模型

对含瓦斯煤体的渗透率的有效预测,可为瓦斯抽采和瓦斯灾害的防治提供理论指导,采用改进的人工蜂群算法(MABC)和支持向量机(SVM)相结合对其进行预测。应用改进的人工蜂群算法优化支持向量机的核函数参数C和g,提高了支持向量机的预测准确性。选取有效应力、瓦斯压力、温度和煤的抗压强度作为影响含煤瓦斯渗透率的主要影响指标,结合实验室测试数据,建立MABC-SVM含煤瓦斯渗透率预测模型。研究结果表明:该模型具有较强的泛化能力,可以相对准确有效的对含煤瓦斯渗透率进行预测,为瓦斯渗透率的研究提供了新的研究思路。     

基于SVM的居家老人跌倒预测方法研究

为减少老年人跌倒事件,在实验室采集54位老年人行进过程中的运动学数据;着眼于胸椎、膝盖、肩胛骨、骨盆等4个位置,以关节点在矢状面、冠状面、横断面的平均位移作为特征维度构建预测模型,应用支持向量机(SVM)算法对易跌倒老人进行识别预测;并通过数据对比,得到可以实现较高预测精度的最小维度。结果表明:通过粒子群算法(PSO)和基因算法(GA)优化SVM参数后,模型预测精度为87. 5%;通过骨盆位置建立的3个维度可以达到同样的预测精度。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

QGA-RFR模型在导水裂隙带高度预测中的应用

为准确预测矿井顶板导水裂隙带高度,用随机森林回归算法(RFR)筛选出开采工作面导水裂隙带高度主要影响因素;借助量子遗传算法(QGA)优化RFR中分裂属性特征值和决策树棵数2个关键参数,建立基于QGA-RFR的导水裂隙带高度预测模型;将实测的124组导水裂隙带相关数据代入模型进行训练和预测,并将预测结果与GA-RFR、RFR、BP和支持向量机(SVM)等模型预测结果对比。结果表明:QGA-RFR模型的最优参数组合为(5,350),该参数下模型预测误差值仅为0.113 8;与GA-RFR、RFR、BP和SVM等模型相比,QGA-RFR模型具有更小的平均绝对百分比误差值(0.037 63)、均方根误差值(2.129)和最大相对误差值(0.055 06),验证了QGA-RFR模型的拟合效果更优。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

灰色支持向量机在瓦斯流量预测中的应用

在分析了灰色预测方法和支持向量机各自的优缺点基础上,提出了将二者相结合的一种新的预测模型灰色支持向量机瓦斯流量预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷,工程实例表明,所提出的瓦斯流量测模型较传统的GM(1,1)模型、支持向量机模型精度都有所提高,为瓦斯流量预测提供了一种新的方法.     

基于支持向量机的脂肪族化合物急性毒性的QSAR研究

基于定量结构-活性相关性(QSAR)原理.研究了106种脂肪族化合物结构与其急性毒性LC50(半数致死浓度)之间的内在定量关系.应用遗传算法从大量结构参数中优化筛选出与LC50最为密切相关的4个参数作为分子描述符,分别采用支持向量机(SVM)方法和多元线性回归(MLR)方法建立了相应的QSAR预测模型.分别采用内部验证及外部验证的方式对所建模型性能进行了验证.研究表明,2种模型均具有较高的稳定性、预测能力及泛化性能.其中支持向量机模型对训练集和预测集样本的预测平均绝对误差分别为0.336和0.364,优于多无线性同归方法所得结果.     

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。     

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD-DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0. 096 m3/min,平均相对误差为2. 43%,预测精度有所提高。