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。     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。     

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GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

基于机器学习的高速公路大型货车追尾风险预测

针对高速公路大型货车追尾事故频发的问题，评估高速公路大型货车追尾风险，并分析交通流特性对大型货车追尾风险的影响，以降低追尾事故的发生率。根据德国HighD开源数据集，以不同冲突风险等级的碰撞时间(TTC)阈值作为大型货车冲突风险的划分标准，提取大型货车的车辆轨迹与交通特征参数等数据，基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)等3种机器学习模型分别建立高速公路大型货车追尾风险实时预测模型；以混淆矩阵、受试者工作特征曲线的曲线下面积(AUC)和洛伦兹(KS)检验等评价指标，对比分析各模型的整体预测能力，并选取预测精度最好的模型分析各个特征参数对追尾风险的影响程度。研究结果表明：RF模型的预测准确率达75%,相对SVM模型高出8%,相对ANN模型高出10%,且RF模型的预测精确度、召回率、AUC值和KS值均优于SVM模型和ANN模型；最小车头间距、车速标准差和加速度标准差3个参数对大型货车追尾风险影响程度最高。     

基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

民用飞机着陆距离预测研究

为防止飞机着陆时冲出跑道,采用支持向量机(SVM)模型预测飞机着陆距离。基于机场、气象以及飞机自身等3方面影响因素,选取B737-800为参考机型。利用波音公司的LAND软件采集相关运行数据。通过选择误差最小、精度最优的径向基核函数(RBF)构建最有效的SVM模型。探讨网格参数算法、遗传算法(GA)和粒子群优化(PSO)算法对最佳惩罚函数c和核函数参数g的影响。结果表明,预测着陆数据与实测着陆数据吻合较好——最大绝对误差在20 m范围内,最大相对误差为1%。     

有机过氧化物反应热的危险性预测研究

为了采用非实验的方法对安全物质学的研究内容及研究方法进行初探,基于定量结构-性质关系法,选择13种与有机过氧化物热危险性的影响因子密切相关的描述符,分别对起始分解温度T0和分解热△H的实验数据进行多元线性回归、偏最小二乘和支持向量机回归分析,从而获得3种相应的预测模型。对比T0与△H的实验值和预测值,结果发现:SVM预测模型的精度高于PLS预测模型,MLR预测模型的精度最低;同种预测模型对分解热的预测结果均优于起始分解温度。此外,分析各预测模型的稳定性数据发现:MLR模型的预测过程发生了过拟合现象,不具备预测能力;PLS模型的交互验证系数均大于0.5,具备较稳定的预测能力;SVM模型的交互验证系数均大于0.9,具备非常稳定的预测能力。     

基于多分类GA-SVM的装配式建筑吊装作业安全预警分析

吊装作业是装配式建筑施工极为重要的一环，其在施工过程中的安全问题不容忽视。为了对装配式建筑吊装作业安全预警进行研究，以“4M”理论为出发点，提出一种基于GA-SVM的吊装作业安全预警模型，将遗传算法与支持向量机融合，提升模型的分类准确率。将支持向量机的二分类问题拓展到四分类问题上，并以实际工程案例加以验证。结果表明：通过GA与SVM结合建立的模型精度较好，实验预测结果与实际结果较为吻合，可以为装配式建筑施工的安全管理提供可靠的决策支持。     

RF-AHP-云模型下岩爆烈度分级预测模型

为准确可靠地预测岩爆灾害,将随机森林(RF)与层次分析法(AHP)结合,在RF分析指标重要性的基础上优化AHP法,构建RF-AHP指标权重计算方法;结合云模型理论,建立基于RFAHP-云模型的岩爆烈度分级预测模型;通过文献调研法,建立包含301组岩爆工程实例的数据库作为岩爆烈度分级预测的样本数据,并分析25组预测样本的岩爆预测结果。结果表明:所提模型预测准确率达88%以上,可判定预测样本的岩爆烈度等级;经验证,作为预测模型核心的RF-AHP指标权重计算方法具备一定的合理性。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

基于RS-SVM的城市埋地燃气管道外腐蚀情况评价

为提高城市埋地燃气管道外腐蚀情况评价的准确性,识别影响管道外腐蚀的主要因素,构建评价指标集,结合粗糙集(RS)与支持向量机(SVM)的优势,建立管道外腐蚀情况预测评价模型。给出具体评价步骤,包括收集样本数据、预处理数据、用属性约简算法筛选核心指标集、用SVM训练器训练数据,形成检验模型。以某条城市燃气管线为例进行实例验证和分析。结果表明:用RS-SVM模型预测评价管道的腐蚀等级与实际结果一致,传统方法预测管道腐蚀速率平均相对误差为14.1%,RS-SVM模型预测的平均相对误差为7.9%,较之传统方法精度更高。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。     

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。     

建筑工程安全文明施工费预测精度研究

为准确测算建筑工程安全文明施工费,提出案例推理技术(CBR)-最大信息系数(MIC)-随机森林(RF)预测模型方法。通过实地调研61个典型工程样本数据,选择12个安全文明施工费的影响因素作为候选特征变量,采用CBR进行样本相似度检索以构建模型的训练样本集,运用MIC确定关键特征变量输入模型,组合建立3种RF模型(RF、MIC-RF和CBR-MIC-RF),并通过实证分析其预测精度。结果表明：通过样本相似度检索和识别关键特征变量,可显著提高RF模型的预测精度(平均绝对百分比误差(MAPE)为3.35%);模型预测精度随不同等级的相似度阈值呈“U”型变化,设置合适的相似度阈值对提升模型的预测效果至为关键;CBR-MIC-RF模型可获得比支持向量机模型更好的预测性能。     

HHT和SVM在机械安全评估与预测中的应用研究

为提高大型复杂机械设备运行的安全性和可靠性,在监测机械设备振动状态的基础上,采用希尔伯特-黄变换(HHT)技术处理信号,将获得的振动频域能量值作为机械设备性能退化的特征量;进而采用网格搜索法(GS)和交叉验证法(CV),优化支持向量机模型(SVM)参数,以提高退化特征量预测精度;并据此建立一种状态空间划分法,用以评估并预测机械设备安全状态。最后,用所建立的方法评估并预测无刷直流电机振动状态和相应的安全状态,预测结果的相对误差仅为1.17%。     

BP神经网络跟车模型优化

为提高跟车预警系统给出的结果的准确性和可靠性,利用毫米波雷达开展实际驾驶试验,获取驾驶人在跟车过程中的稳定、加速和减速状态表征数据。以自车速度、自车与前车相对速度、自车与前车相对距离等3类参数的不同组合为输入变量,以自车的加减速特性为输出变量,建立BP神经网络模型。用遗传算法(GA)优化该模型。结果表明,单纯的BP神经网络模型预测准确率较低,利用GA优化模型后可有效提高模型的准确率。当输入参数为自车速度、相对距离与相对速度时,模型的有效率达到94.17%。     

凝析气田集输管线腐蚀预测研究

为提高凝析气田集输管线腐蚀速率的预测精度,基于灰色关联分析(GRA)法,融合随机森林回归(RFR)算法,建立内腐蚀速率预测模型,分析气田集输管线内腐蚀原因;采用GRA优选特征因素变量作为RFR的输入,以内腐蚀率作为目标因素输出,并以雅克拉凝析气田数据为例,对比验证构建的RFR预测模型、反向传播(BP)神经网络和支持向量机(SVM)预测模型。结果表明:通过GRA排序得到管线内腐蚀的主要因素有:CO2体积分数、Cl-质量浓度、压力、温度、流速。同时RFR预测模型的均方根误差、平均相对误差均低于对比模型相应值,且决定系数达到96. 48%。     

基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....