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。     

基于新型拓扑指数的咪唑类离子液体捕集CO2性能预测

大量温室气体CO_2的存在严重影响环境,而咪唑型离子液体具有独特的气体溶解性,在CO_2捕集方面的应用较为广泛。基于定量结构-性质相关性(QSPR)原理提出了一种新的描述符——拓扑指数(Topological Index,TI)描述符,研究了咪唑类离子液体捕集CO_2的性能与其拓扑指数描述符之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组拓扑指数描述符,将其与温度和压力一起作为输入参数,分别采用多元非线性回归算法及支持向量机算法建立了咪唑类离子液体捕集CO_2性能与其拓扑指数描述符之间的非线性模型。通过多元非线性回归算法得出训练集和测试集的决定系数分别为0.771和0.754,由支持向量机算法得出训练集和测试集的决定系数分别为0.990和0.981。对预测模型进行了评价验证及稳定性分析,结果表明,两种模型均具有良好的稳定性能和预测能力。根据拓扑指数描述符所建立的预测模型为工程应用提供了一种预测咪唑类离子液体捕集CO_2性能的有效方法。     

基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。     

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.     

咪唑类离子液体捕集CO_2性能的定量结构-性质相关性(QSPR)研究

CO_2是主要的温室气体,大量CO_2的存在严重影响着人类的生存环境和生态平衡,而咪唑型离子液体具有独特的气体溶解性,在CO_2的捕集分离中有很好的应用前景。基于定量结构-性质相关性(QSPR)原理,研究了咪唑类离子液体捕集CO_2的性能与其结构参数之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组描述符作为输入参数,随后,分别采用多元线性回归算法及支持向量机结合粒子群优化算法建立了咪唑类离子液体捕集CO_2的性能与其描述符之间的线性和非线性模型。多元线性回归算法得出训练集和测试集的复相关系数分别为0.765和0.814,支持向量机算法得出训练集和测试集的复相关系数分别为0.987和0.933。对预测模型进行了评价验证以及稳定性分析,结果表明,2种模型具有良好的稳定性能和预测能力。     

AHP与GA-SVM耦合模型在滑坡预警中的应用*

为了减少滑坡造成的损失，提高滑坡预测的准确性，通过搭建灾害模拟平台获得滑坡的实验数据，在获得多组模拟实验数据后，分析各变量的特性。首先，通过层次分析(Analytic Hierarchy Process，AHP)算法，对滑坡进行危险度划分；然后，通过支持向量机(Support Vector Machine，SVM)建立模型，遗传算法(Genetic Algorithm,GA)再优化SVM参数，提出1种层次分析法与GA-SVM相耦合的模型。研究结果表明:AHP方法划分后的数据，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，与单一SVM相比，精度更高，结果更好，更加适用于多变量的复杂非线性滑坡预警。     

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。     

公路工程施工建设安全风险预测及时序分析

准确地预测施工建设中的安全风险对于开展高质量的公路建设作业至关重要。基于南中项目安全巡查记录，建立致因指标体系，通过比较分析K邻近(K-Nearest Neighbor, KNN)、支持向量机(Support Vector Machines, SVM)、随机森林(Random Forest, RF)、极端梯度提升(Extreme Gradient Boosting, XGBoost)模型预测的准确率，选择XGBoost模型进行风险等级及风险类型预测，通过自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)和长短期记忆网络(Long Short Term Memory, LSTM)模型对建设风险进行时序分析。结果表明，XGBoost模型相较于其他模型对风险等级预测的准确率最高，为0.82,对风险类型预测的准确率为0.74,具有较高的精确度。临边围蔽及设置警戒线、特种设备装置、电缆架空、气瓶保管等方面管理不到位对施工风险的影响较大，且临边围蔽及设置警戒线指标在管理指标的交互影响下与宏观风险等级呈负相关。LSTM...     

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Adaptive Lasso及RF算法的冰雪天气交通事故分析

为分析冰雪天气下高速公路交通事故频发致因,量化分析驾驶环境、驾驶员及车辆情况对事故的影响,根据Adaptive Lasso和随机森林(RF)混合算法建立预测模型。以10年约30万组冰雪环境下高速公路交通事故数据为例,训练改进预测模型验证其准确性。结果表明,混合算法的准确度和拟合程度都优于支持向量机(SVM)、分类回归树(CART)及RF等单独算法。交通事故与环境因素相关性最显著,坡路、弯道及交叉口处事故受冰雪环境影响较大;事故与驾驶员因素中部分因素显著相关,如驾驶员性别及安全带使用情况;本地驾驶员对驾驶能力及冰雪环境的估计错误更易导致交通事故。     

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。     

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。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

基于改进逻辑回归的电网覆冰故障预测研究

电网覆冰由于湿度、温度、海拔等因素可形成不同的覆冰类型，电网系统故障水平会根据覆冰类型的差异而变化。传统的电网覆冰故障预测多聚焦于覆冰厚度与电网故障的内在联系，忽略了覆冰类型对电网故障的影响作用。为解决这一问题，提出了一种改进的逻辑回归多分类算法，通过将拟合出的回归函数值输入Softmax函数转换为多概率形式实现对覆冰类型的分类，根据数据有无覆冰类型的划分，分别在不同的机器学习算法下对电网覆冰故障进行预测比较。经试验，采用改进逻辑回归算法预测覆冰类型的准确率达88%,电网故障预测的准确率较无覆冰类型下的预测在改进逻辑回归算法、朴素贝叶斯算法(Na6ve Bayes, NB)、K近邻、支持向量机算法(Support Vector Machine, SVM)中分别平均提高了5.3%、21.7%、7%、5.3%,研究表明，改进的逻辑回归算法可以准确预测电网的覆冰类型，提升电网故障预测的准确率。     

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PSO-SVM的咪唑类离子液体捕集CO_2性能预测

CO_2是主要的温室气体,大量CO_2的存在严重影响着环境,而咪唑类离子液体具有独特的气体选择溶解性,在CO_2的捕集分离中有非常好的应用前景。基于支持向量机方法,结合粒子群优化算法(PSO-SVM)建立了咪唑类离子液体捕集CO_2性能的理论预测模型,该模型包含温度、压力、密度、黏度和表面张力5个主要参数。根据PSO算法,得到模型的最优参数为惩罚参数C=100,不敏感损失参数ε=11.699 7,核函数的宽度γ=0.279 2;SVM算法得出训练集的相关系数r=0.993,均方根误差RMSE=12.012,平均绝对误差AAE=4.117,测试集r=0.999,RMSE=4.766,AAE=3.028。对预测模型进行了评价验证以及稳定性分析,明确了咪唑类离子液体捕集CO_2性能的主要影响因素及其重要程度。     

MI和SVM算法在煤与瓦斯突出预测中的应用

为解决能用于煤与瓦斯突出预测模型的真实事故训练数据量小、数据集缺失严重的问题,提出采用数据挖掘多重填补(MI)算法填补事故数据中缺失参数,增大可用数据集,并将填补后的数据用于支持向量机(SVM)预测模型的训练与测试,选取K最近邻(KNN)算法与SVM进行对比。结果表明:SVM数据填补前后的平均识别率分别为88.37%和88.87%,事故数据的识别率分别79.71%和91.27%; KNN算法在数据填补前后,平均识别率分别为87.59%和88.37%,事故识别率分别为70.4%和84.23%;可见:MI对平均识别率的提升作用不大,对事故识别率的提升作用显著,可提高煤与瓦斯突出事故预测率,数据填补后SVM算法比KNN算法的事故识别率高。     

基于随机森林理论的采场稳定性预测研究

为预防采场安全事故,选取地下采场地质构造、埋深、围岩强度等10个因素作为采场稳定性预测指标,从收集到的实际采场稳定性数据中选取25组作为训练样本,建立采场稳定性预测的随机森林(RF)模型,通过8组测试数据预测采场稳定性;将该模型预测结果与支持向量机(SVM)模型及人工神经网络(ANN)模型的预测结果进行对比。研究表明:采用RF模型采场稳定性等级预测准确率最高,而使用SVM模型次之,ANN模型的准确率较差;用RF模型能够相对有效地判定采场稳定性。     

基于缓冲区重采样的LSTM林火预测模型*

为提高林火风险预测精度,挖掘地图上隐含的空间信息、时间序列上隐含的长期趋势和循环波动,提出1种基于缓冲区重采样的长短期记忆（LSTM）林火预测模型,选取15个与林火相关的影响因素,以方差膨胀因子为评价指标对其进行多重共线性检验,方差膨胀因子大于10的因素具有共线性,并采用信息增益率验证筛选结果的合理性。考虑到火灾的空间聚集特性,采用缓冲区分析与过采样相结合方法减少样本不均衡现象的影响,最终得到176 732条样本。对12个影响因素和研究时间段的火点建立LSTM预测模型,对森林火灾发生风险进行预测。研究结果表明:基于缓冲区重采样的LSTM林火预测模型有效考虑时空上隐含的信息,预测模型准确率为87.06%,特异性为97.99%,敏感度为76.12%,阳性预测率为97.43%,阴性预测率为80.41%,ROC曲线与AUC值均优于随机森林（RF）和支持向量机（SVM）这2种基准算法。维尔克松秩和检验发现,本文提出的模型与基准算法结果具有显著性差异。研究结果可为提高林火风险预测精度提供参考。