基于主成分分析和粒子群优化支持向量机的边坡稳定性评价

为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达909%,满足工程要求。     

基于经验模态分解-支持向量机的滑坡位移预测方法研究

滑坡位移时间序列在外因的影响下呈现出单调非平稳的曲线特征,利用经验模态分解法(Empirical Mode Decomposition,EMD)将滑坡累计位移分解为周期项和趋势项,建立支持向量回归(Support Vector Regression,SVR)-布朗单一参数指数平滑(Browns Single Parameter Exponential Smoothing,Browns)模型对滑坡位移进行预测。以三峡库区木鱼包滑坡为例,首先在考虑降雨量和库水位等影响因子的基础上,采用SVR模型对周期项位移进行预测;然后采用Browns模型对趋势项位移进行预测;最后通过时间序列加法模型得到滑坡累计位移预测值,计算得到测试样本的平均绝对误差为13.31mm,均方根误差和判定系数分别为16.6mm和0.83。通过对比分析,结果表明:基于EMD与SVR-Browns模型的滑坡位移预测精度明显优于SVR模型和Browns模型,证明该模型是一种有效的滑坡位移预测方法。     

基于诱发因素响应与DE-SVM模型的滑坡位移预测

三峡库区滑坡的稳定性直接影响到库区沿岸居民的生命及财产安全,而对滑坡变形的预测对于地质灾害防治有着重要意义。基于三峡库区涉水滑坡多存在阶跃式的变形特征和位移监测数据,采用差分进化(DE)算法对支持向量机(SVM)模型参数进行全局优化,并利用优化后的差分进化-支持向量机(DE-SVM)模型对滑坡位移监测数据进行训练,最终实现了对滑坡位移量的预测。以三峡库区典型滑坡——奉节县藕塘滑坡为例,运用DESVM模型并考虑库水位和降雨作为该滑坡的诱发因素,对该滑坡的变形及其发展趋势进行了预测研究。结果表明:基于诱发因素响应的DE-SVM模型对藕塘滑坡变形的预测结果与该滑坡的实际变形特征基本一致,表明该模型的预测精度高,对三峡库区涉水滑坡位移的预测具有重要的参考价值。     

ODM技术支持下的滑坡位移预测研究

预测模型的建立是滑坡预报的核心问题。Oracle系统的数据挖掘选件(Oracle Data Mining,ODM)可直接对存储在数据库中的数据进行操作,能减少数据转换的资源消耗,保证数据的安全性。以三峡库区八字门滑坡为例,在深入分析滑坡累计位移变化特征与其降雨、库水位等影响因素响应关系的基础上,采用ODM中的PL/SQL API建立了可预测滑坡位移趋势的支持向量机(Support Vector Machines,SVM)模型,并利用建立的SVM模型对滑坡累计位移量的未来值进行了预测。经验证表明:测试样本的预测均方根误差和平均绝对误差分别为10.07mm和6.54mm,预测结果与实测值变化趋势基本一致,说明基于ODM的SVM滑坡位移预测模型在处理非线性时间序列数据上具有一定的优势,可用于滑坡监测数据的短期预测。     

基于经验模态分解和神经网络的滑坡变形预测研究

受岩土体性质和多种诱发因素(降雨、地震、库水位等)的影响,滑坡的位移演化必然包含着多层次的信息,难以采用单一的灰色预测、神经网络、时间序列等模型进行有效、准确的预测.本文引入信号分析中的经验模态分解(EMD)方法,同时结合对非线性函数具有很强的逼近能力的BP神经网络,建立了滑坡变形预测的EMD-BP神经网络模型,并以三峡库区树坪滑坡为例,应用该模型对ZG88监测点的累积位移进行了预测,最后将其预测值与实际监测值以及其他模型预测结果进行了对比分析,结果表明该模型的预测值与实际监测值基本一致,且模型预测精度比单一的BP神经网络和GM(1,1)模型要高,从而验证了该模型具有一定的适用性和较高的预测精度.     

基于环境监管平台的脱硫烟气SVR模型及优化

基于环境监管平台建立脱硫烟气SVR预测模型,通过Pearson系数、经验公式选择特征,利用网格寻参(gridsearch)、遗传算法(GA)以及粒子群优化算法(PSO)在5-fold交叉验证下对该模型优化、训练并预测。误差分析和比较表明SVR模型预测能力较高,遗传算法优化适应于此类数据训练,且SVR模型对于机组有依赖性。     

基于PSO-SVM算法的空气质量分类研究

由于空气组成成分多、含量波动较大,严重影响着分类结果的准确率,因此为了增加空气质量分类预测的可靠性,提出了粒子群（Particle Swarm Optimization,PSO）优化支持向量机（Support VectorMachin,SVM）算法的分类方法。此方法首先通过迭代寻优的方式在全局搜寻最优粒子作为支持向量机的运行参数,之后通过训练集数据进行机器学习建立了支持向量机多分类模型,最后将测试集的输入向量导入该模型得到分类结果。分析结果表明,粒子群优化的支持向量机分类方法能够有效的抑制人为设定运行参数对分类结果的影响,提高了支持向量机的分类准确率,为空气质量等级分类问题提供了一个新的研究思路。     

基于信息熵与KPSO聚类法滑坡敏感性分析

选取南京地区滑坡为研究对象。基于DEM及遥感影像数据,选取样本,提取滑坡影响因素,计算影响因素熵值。利用K折粒子群优化(K PSO)方法,在GIS环境下针对地质资料缺乏情况,生成一个可靠的南京地区滑坡敏感图。自组织特征映射网络(SOM)法用作一个并行研究,结果作为K PSO法结果对比。结果表明,K PSO法聚类准确率为85%,自组织映射(S OM)法聚类结果准确率为80%,由此说明K PSO聚类法在地质资料不足前提下形成滑坡敏感区是一种行之有效的方法。     

粒子群算法在锚拉桩桩身参数优化设计中的应用

锚拉桩结构的桩身设计参数组合的求解是锚拉桩优化设计的重要内容,在所有满足要求的设计参数组合中,必定存在一组设计参数,可使锚拉桩的造价最低,因此获得这组设计参数对于锚拉桩桩身设计具有十分显著的工程实用价值。基于粒子群优化算法(PSO)的特点,通过一个滑坡治理的工程实例,以单位宽度的滑坡土体设置的锚拉桩的造价作为目标函数,对锚拉桩的桩截面宽b、桩截面长a、桩身长l、桩间距d这4个关键设计参数进行迭代搜索求解;采用MATLAB编写PSO的计算程序,并创建粒子群优化算法(PSO)的用户图形界面(GUI),即PSO-GUI,获得4个关键设计参数的组合;应用Visual C++编程计算优化前和优化后的锚拉桩桩身内力和变形,并与各自的桩身内力设计值和变形允许值进行比较。结果表明:在安全储备相同的条件下,两种参数组合设计的锚拉桩桩身内力和变形均在安全控制范围之内,但优化后设计的锚拉桩与优化前设计的相比,还能节省一定的工程造价,可取得较好的经济效益,且PSO的优化效果明显,也说明采用PSO对锚拉桩桩身进行优化设计具有可行性,为锚拉桩的优化设计提供了新的思路和借鉴。     

基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测

深度学习在机器视觉等各个领域的兴起，使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉，提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项；然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项，两者相加即可得到滑坡总位移的预测结果；最后以白水河滑坡实测数据为例，考虑月降雨量和库水位因素的影响，对该滑坡位移的周期项和趋势项进行预测，并与其他传统神经网络的预测结果进行对比。结果表明：MHA-LSTM神经网络模型相较于其他传统神经网络模型，能更好地捕捉历史的信息特征，预测效果更佳，可为滑坡预测提供新的技术方法。     

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

基于多模态支持向量回归的PM_(2.5)浓度预测

为更好地掌握日均PM_(2.5)浓度的变化规律,提出了一种基于多模态支持向量回归(MSVR)的混合预测模型。利用集成经验模态分解将日均PM_(2.5)数据分解成不同频段的分量序列,以降低数据的非平稳性。然后根据每组分量自身特点构建不同的支持向量回归(SVR)模型,并通过相关分析确定各分量输入变量。最后,将各分量预测值进行叠加得到最终预测结果。以浙江省玉环市的PM_(2.5)浓度进行验证。结果表明:与单一SVR模型相比,MSVR模型具有更好的预测效果,精度评价指标MAE、MAPE和RMSE分别下降了26.98%、23.04%、34.08%,这为大气污染预控提供了有效的技术支持。     

ARIMA模型和GM(1,1)与ARMA(p,q)组合模型在滑坡短期预报中的对比分析

滑坡的短期预报研究是当前国内外滑坡领域的重要研究方向之一。在滑坡的中短期时间预报中,基于统计学的预测模型是主要的分析预测工具。采用两种理论上比较成熟的ARIMA模型和GM(1,1)与ARMA(p,q)组合模型来模拟滑坡的累积位移量,并对这两种模型的优缺点以及各自适用条件进行了对比分析。结果表明:两种模型都能较好地拟合滑坡累积位移量时间序列并做出一定精度的预测,但是两种模型的适用条件不同。本研究可为滑坡短期预报提供借鉴和参考。     

基于改进的PSO优化LSSVM参数的松花江哈尔滨段悬浮物的遥感反演

悬浮物是松花江水质和水环境评价的重要参数之一.利用在松花江哈尔滨段江面上29个采样点的实测高光谱和悬浮物浓度数据,用20个采样点数据为训练集,9个采样点数据为测试集.将机器学习和全局优化智能计算方法引入,应用改进的粒子群(PSO)优化最小二乘支持向量机(LSSVM)参数,以均方根误差RMSE为适应度函数,根据迭代得到LSSVM最优参数值,用700 nm和750 nm光谱反射率比值(R700/R750)为特征变量,悬浮物数据为目标变量,用训练集数据训练得到反演模型,使用测试集数据进行验证.结果表明,此模型收敛速度快,精度高,得到预测值的均方根误差RMSE为10.11 mg·L-1,平均绝对百分误差MAPE为10.72%,模型决定系数R2为0.952,该方法可用来对其它水质参数反演预测提供参照.     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

污泥热干化含水率实时监测的HBA-SVM回归模型研究

利用网格划分法和黑盒法采集分析污泥含水率的实时监测数据，探讨热干化系统湿热空气的性质和计算方法，研究回风口排湿速率和干化时间与污泥含水率的关系。在污泥干化领域尝试引入最新蜜獾算法(HBA),优化支持向量机(SVM),构建HBA-SVM回归模型，并与粒子群算法(PSO)和遗传算法(GA)优化的SVM回归模型进行对比分析。结果表明：回风口排湿速率和污泥含水率随干化时间增加呈非线性降低，排湿量下降的变化速率略高于含水率。HBA-SVM的决定系数(R²)是0.996 5,均方根误差(RMSE)是0.979 2,离散度更低，精确度更高；将模型移植到嵌入式系统，经现场试验验证，综合预测精度可达90%以上，是实际污泥含水率监测的一种有效方法。     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

基于pso-SVM的废水厌氧处理过程软测量模型

由于厌氧消化过程的复杂性和厌氧菌的敏感性,保持厌氧消化体系的稳定和高效性是比较困难的.本文在实验室采用IC反应器构建了一套厌氧废水处理系统处理人工合成废水,基于支持向量机(SVM)提出了一种预测废水厌氧处理系统出水挥发性脂肪酸(VFA)浓度和COD去除率的软测量模型.为了提高模型的精确性和鲁棒性,加入pso算法(粒子群算法)优化SVM模型,并引入了分类策略对元数据集进行有效分类.仿真结果表明,基于pso-SVM模型的软测量模型对厌氧废水处理系统出水VFA浓度和COD去除率具有较好的预测能力,模型预测系统COD去除率及出水总VFA浓度测试样本数据相关系数分别为65.86%、85.25%;加入分类策略后,元数据集分成两类,模型预测系统COD去除率测试样本数据相关系数分别为92.34%、83.41%;模型预测系统出水总VFA浓度测试样本数据相关系数分别为99.14%、99.59%,系统预测精度明显提高.引入分类策略对元数据集进行有效分类,基于pso-SVM的软测量模型可为监控、优化和理解厌氧消化过程提供指导.     

基于GM(1,1)模型的尾矿坝坝体垂直位移预测

尾矿坝坝体的不均匀沉降可严重影响尾矿坝的稳定性,因此有效地预测坝体各监测点的垂直位移能够及时发现潜在的安全隐患,对尾矿库的安全管理与维护意义重大。尾矿坝作为一个多元的动态系统,其坝体位移存在很多的不确定性,是典型的灰色系统。本文以监测到的某尾矿坝垂直位移数据为原始数据序列,建立了GM(1,1)模型,对坝体各监测点的垂直位移进行了短期预测,预测结果显示其预测值与实际监测值基本吻合,表明GM(1,1)模型在尾矿坝垂直位移预测中具有较好的可靠性和适用性。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.