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GIS和PSO-SVM模型的文山州石漠化风险评估

针对喀斯特石漠化风险评估影响因素较复杂且涉及众多地理空间对象的特点,本文在采用GIS技术对空间数据进行管理分析的基础上,提出了基于粒子群优化的支持向量机(PSO-SVM)的石漠化风险评估模型,分析了基于GIS的石漠化风险评估指标体系的建立过程,详细探讨了主成分分析与支持向量机模型相结合进行石漠化风险评估的方法与实现过程,并以云南省文山州为研究实例,将其与单独SVM模型和PSO-BP模型风险评估结果进行了对比分析,结果表明PSO-SVM模型的石漠化风险评估精度较高,效果更好。     

基于PCA-GRU-SVM模型的多参量煤矿瓦斯浓度预测及预警研究北大核心CSCD

煤矿瓦斯浓度精准预测及提早预警对于预防瓦斯灾害发生至关重要。为充分利用井下多传感器监测信息提升矿井瓦斯浓度预测及预警模型的性能,提出一种基于主成分分析(PCA)、门控循环单元(GRU)神经网络和支持向量机(SVM)组合的多参量瓦斯浓度预测及预警模型。针对监测数据的时序性、动态性和非线性强等特性问题,采用邻近均值法、小波降噪和归一化法对数据进行处理,利用PCA对数据降维以简化GRU模型拓扑结构,提高瓦斯浓度预测精度,通过构建基于SVM的矿井瓦斯浓度预警模型实现对矿井安全状态的实时动态监测。选取安徽某煤矿171105工作面的实测数据对PCA-GRU-SVM模型预测结果与性能进行验证。仿真结果表明：相对于PCA-LSTM、PCA-RF和PCA-BP模型,本文构建的预测模型的平均绝对误差(MAE)分别减少了18.45%、56.36%和87.3%,均方根误差(RMSE)分别减少了5.17%、9.04%和67.52%,预警模型的预测准确率为94.1%,说明该模型具有较高的拟合度和预测精度。该研究结果可为实现瓦斯灾害的预测及超前预警提供参考,对矿业安全生产具有重要意义。     

基于GA优化SVM的滚动轴承故障诊断方法研究

在滚动轴承故障诊断研究中,常采用时域、频域或者时频域分析方法对振动监测数据进行故障诊断。时域中的无量纲指标因对故障敏感,而被广泛运用于机械故障诊断中,但目前无量纲指标在诊断过程中存在严重重叠问题,造成诊断准确率低。为了解决这个问题,研究了基于互无量纲指标和支持向量机(SVM)结合的滚动轴承故障诊断方法。针对SVM对参数依赖性强,且在参数选择上没有系统理论而导致欠学习或过学习的问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的滚动轴承故障诊断方法。利用遗传算法进化搜索原理,以预测的准确率作为适应值,对SVM参数进行寻优,从而得到较优的支持向量机分类模型。实验表明,基于互无量纲指标和GA-SVM算法的故障诊断方法能够准确地识别旋转机械滚动轴承的状态。     

基于PCA和M-SVMs的化学物质生态危害预测应用研究

为防止新化学物质投入市场时对生态环境造成危害,需对其生态危害程度进行评价。现有评价方法把各指标对生态危害的贡献看成是等效的,不能客观反映事实,且评价指标较多,指标之间具有较强的相关性,会降低预测精确度,为了解决该问题,文章将主成分分析和支持向量机相结合。首先运用主成分分析进行特征提取,降低数据维数,获取数据的主要信息;然后将二值分类支持向量机扩展到多类支持向量机,利用多类支持向量机建立化学物质生态危害预测模型,采用10折交叉验证法对模型进行检验,得到平均正确率达到89.24%。并与未进行主成分分析的支持向量机分类模型进行了比较,实验结果表明该方法具有更好的预测精度,值得推广。     

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.     

大气环境分类的SVM联合决策方法

目的实现城市大气环境的精准快速归类预测。方法基于支持向量机(SVM)构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

一种应用于不均衡小样本集的石化设备故障智能诊断方法

针对实际生产中,石化设备故障呈现出“不均衡小样本”特性,致使传统诊断模型适用性不足,准确率低下这一问题,基于一类支持向量机(One-Class SVM)和遗传算法优化的支持向量机(GA-SVM),提出一种分步诊断策略。利用One-Class SVM构建超球诊断模型,可在没有任何故障先例的前提下实现异常状态辨识和未知故障甄别,提升算法对不均衡监测数据(正常样本数量远超故障样本数量)的适用性;利用GA-SVM,针对小样本故障数据集构建并优化智能诊断模型,判别故障模式,降低算法对大量有标签故障样本的依赖。故障诊断实验结果表明,该方法能够在不均衡小样本场景中显著降低漏报率、误报率和误诊率,对实验数据和工程数据的诊断准确率分别达99%和100%。     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。