基于主成分分析和优化SVM的公路边坡稳定性评价模型

影响公路边坡稳定性的因素众多,各因素与边坡稳定性之间的关系是未知且非线性的,常规简单数学模型难以对边坡稳定性进行有效评价。通过主成分分析法(Principal Component Analysis,PCA)去除影响因素间的相关性,将影响边坡稳定性的6个因素(容重、内聚力、内摩擦角、边坡角、边坡高度、孔隙水压力比)进行主成分提取,得到4个主成分,作为遗传算法(Genetic Algorithms,GA)优化支持向量机(Support Vector Machine,SVM)模型的输入变量,以边坡稳定性作为输出变量,最终建立基于PCA-GA-SVM的公路边坡稳定性评价模型。通过对比检验样本的评价值和实际值,模型的最大绝对误差为0.0921,最大相对误差为9.21%,满足实际工程的要求。     

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。     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

基于神经网络的教室室内PM2.5浓度预测研究

为建立适用于教室PM_2.5的室内预测模型，该文依据长期监测的教室内环境数据，建立了涵盖室内外环境参数、人员活动因素和季节性因素在内的PM_2.5预测模型。研究使用多元线性回归模型和人工神经网络模型，采用主成分分析法和和熵值法分析了影响室内PM_2.5浓度的总方差的影响因素权重及对BP神经网络输入因子进行降维。结果表明：(1)在采集的13个因素中，对室内PM_2.5的总方差解释大小排名前5的影响因素依次是室内相对湿度、室内通风量、室内二氧化碳浓度、室外相对湿度、门开启时间占比。(2)采用BP神经网络的预测效果优于传统的多元线性回归，拟合优度R2从0.412上升到0.547。(3)针对BP神经网络，采用交叉验证法验证了各个季节的预测效果，结果表明春季的预测效果最好，冬季次之，秋季最差。(4)采用主成分对数据进行降维和调整BP神经网络的隐藏层数能够优化BP神经网络，可将R2提升至0.710和0.805。研究结果可为机械通风下的教室室内PM_2.5预测模型建立提供依据和数据支撑。     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

岩质边坡稳定性分析的模糊模式识别方法研究及应用

边坡稳定性分析是不确定性问题,伴有随机性的同时兼具模糊性.本文通过运用主成分分析法优选影响岩质边坡稳定性的特性指标,进而构建边坡稳定性模式和待识别边坡的隶属函数,并确定计算贴近度的方法,以此建立了边坡稳定性的模糊识别模型.在通过模型进行实例仿真的过程中,为综合考虑各种因素对边坡稳定性影响程度的大小,用德尔菲(Delph...     

基于属性简约和BP神经网络的PM_(2.5)预测模型

利用南充市2014-2015年的空气质量数据和气象数据作为分析数据,研究了南充市后1日PM_(2.5)的预测模型。研究过程分为2个阶段:(1)经粗糙集-遗传算法属性简约后,保留了11个必要属性;(2)保留的必要属性作为BP神经网络的输入层,基于BP神经网络建立了后1日PM_(2.5)的预测模型。结果表明:(1)决策属性对条件属性的依赖度为0.779 3;(2)经属性简约后建立的南充市后1日PM_(2.5)的预测模型预测误差降低了1.73%,准确率提高;(3)经属性简约后建立的南充市后1日PM_(2.5)的预测模型准确率为80.26%,对优良状态PM_(2.5)预测的准确率为75.35%,对污染状态PM_(2.5)预测的准确率为87.63%。基于属性简约和BP神经网络的PM_(2.5)预测模型总体预测效果良好,可用于颗粒物浓度预测和污染情况预报,为大气环境监测和管理提供重要技术参考。     

基于多源辅助数据和神经网络模型的稻田土壤砷空间分布预测

合适的方法和多源的辅助数据对于准确预测土壤重金属的空间分布具有重要意义.该研究提出一种径向基函数神经网络结合普通克里格法的模型(RBFNN_OK),由主成分分析(PCA)提取的地形因子、遥感数据和邻近信息等多源辅助数据作为自变量,预测江西省都昌县稻田土壤砷空间分布.为验证RBFNN_OK的可行性:首先在全县范围内采集144个稻田表层(0～20 cm)土壤样品,运用ArcGIS地统计模块随机抽取115个(80%)采样点作为测试集,29个(20%)采样点作为验证集.其次多源辅助数据包括地形因子、遥感数据和邻近信息等14个定量因子作为预测变量,将预测变量进行主成分分析,得到前10个主成分的累积贡献率达到97.62%.再次一个特定的RBFNN_OK被用来预测土壤砷空间分布.最后将RBFNN_OK模型的预测结果与径向基神经网络模型(RBFNN)、回归克里格模型(RK)和多元逐步线性回归模型(MSLR)进行比较.结果表明,RBFNN_OK的测量值标准偏差与均方根误差的比值(RPD)较其它3种方法分别提高了14.92%、35.71%和44.67%.此外,RBFNN_OK还提供了更加真实且有关土壤砷空间分布的细节信息.RBFNN_OK取得最优效果可能归因于引入多源辅助数据,考虑多源辅助数据和土壤砷之间的多重共线性和非线性关系.该方法可为稻田土壤砷调查与环境保护提供更为精准的信息.     

基于遗传算法的人工神经网络在降水酸度预测中的应用

在误差反向传播(Back Propagation)算法的人工神经网络结构模型的基础上，应用遗传算法训练神经网络权重，实现网络结构的优化。用优化后的BP人工神经网络建立了江西省南昌市的降水酸度预测模型。并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的人工神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

SVR与BP神经网络对小流域次降雨侵蚀产沙预测结果的比较

运用支持向量回归机(Support Vector Regression Machine)与BP神经网络对小流域次降雨侵蚀产沙进行预测.侵蚀产沙输入变量选取降雨量、降雨强度、径流深和洪峰流量模数,流域次降雨侵蚀输沙量为输出变量.以SVR、BP神经网络的预测值与实际值的绝对误差和相对误差作为评价指标.实验表明,SVR的预测精度和稳定性优于BP神经网络.     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于MSLSTM-DA模型的水质自动监测异常数据报警

提出一种基于多元堆叠长短时记忆网络-差值分析(MSLSTM-DA)模型对地表水质异常数据进行报警的方法.该方法首先建立MSLSTM模型对水质指标数据进行预测,再基于预测结果的残差分布建立DA模型,并确定各个指标的数据异常阈值,当实测数据与预测数据差值大于阈值时进行数据报警.以长江流域监测断面的水质数据进行了方法有效性验证.结果表明,构建的预测模型对５个指标的MAE、MAPE均值比BP神经网络预测模型降低21.0%,17.8%,比LSTM模型降低16.8%,17.9%.皮尔逊系数均值比BP神经网络、LSTM模型的分别高5.9%,4.4%.5个指标共检出水质异常数据37条,其中34条经人工判断确实存在有异常,报警准确率高达91.9%.     

基于BPNN的三峡水库神农溪叶绿素α浓度预测

三峡水库自蓄水以来,库区水环境发生了巨大变化,部分支流回水区出现大面积水华。为了有效减小及预防水华带来的影响,收集了三峡水库支流神农溪2013年5-12月的水环境监测数据,运用主成分分析法,分析水华的主要影响因子。以筛选出的8个主要因子加上叶绿素a浓度为模型输入,利用Matlab R2010a软件,建立了基于BP神经网络的水华预测模型。结果显示BP网络模型对未来1周的叶绿素a浓度的预测值与实测值之间的拟合程度良好,相关系数达到0.928。说明BP神经网络模型可以用于神农溪叶绿素a浓度预测,并为神农溪水华治理提供科学依据。     

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。     

基于遗传算法优化BP神经网络的水生态修复原位控浊混凝投药预测

暴雨过后河湖浑浊度急剧升高,严重干扰了河湖水生态修复工程中沉水植物的恢复和重建。针对水生态修复原位混凝控浊过程中混凝剂选型和投加量难以确定的问题,对模拟河湖浑浊水样进行混凝实验并构建混凝预测数据集,采用BP神经网络模型对混凝剂投加量进行预测,并结合遗传算法对模型进行优化。基于混凝实验结果,选取综合混凝效果更佳和成本更低的混凝剂(硫酸铝),和不同投加量间混凝效果存在显著差异的混凝剂投加量范围在0～30 mg/L的混凝数据进行混凝预测模型的训练。结果表明：1)BP神经网络回归模型性能(R²=0.78)优于多元非线性、多元线性回归模型和BP神经网络分类模型,88.67%的样本预测绝对误差<5 mg/L;经遗传算法优化后,模型R²提升至0.86%且95%以上的样本预测绝对误差<5 mg/L,说明遗传算法有效提升了模型的预测精度和预测稳定性。2)混凝剂投药梯度是除建模数据量之外另一个影响模型性能的重要因素,在实际工程应用中,应尽可能增加建模数据量和降低投药梯度,以提高混凝投药预测模型性能。研究结果可为水生态修复原位混凝控浊过程中混凝剂种类和...     

基于BP神经网络的污泥水解液合成PHA的多参数敏感性分析

本文采用多参数敏感性分析方法对影响污泥水解液合成PHA产量的参数进行分析.在实验数据的基础上,利用BP神经网络建立了PHA的产量预测模型.通过与真实试验结果的对比,验证了预测模型的精确度.根据训练完成的神经网络模型中的各参数变量到目标的权值和阈值,利用Garson算法定量得到各参数变量对于目标的参数敏感性系数数值.结论表明：基于BP神经网络技术建立的预测模型具有较高的可信度,多参数敏感性分析方法可评估多因素同时变化对PHA产量的影响,具有较高的实用价值.     

基于BP神经网络的城市总生态足迹预测研究——以武汉市为例

鉴于BP网络在处理非线性复杂系统的优势,以武汉市为研究对象,构建一个10-4-1结构的BP神经网络预测模型,将1978-2002年和2003年的相关数据作为模型的训练和测试样本,以2004年的社会、经济、环境数据作为网络的预测输入,对该年的总生态足迹进行预测。结果表明,BP神经网络预测结果与实际足迹值的相对误差为0.69%,预测精度优于传统的多元回归统计模型。     

基于D-S证据理论的飞行事故预测模型

为提高飞行事故的预测精度,提出一种基于D-S证据理论的组合预测模型.该模型分别采用时间序列、BP神经网络和最小二乘支持向量机对飞行事故率进行预测,通过对待测年份之前的飞行事故的预测误差分析,计算出相应的基本信任分配函数,并借助D-S证据理论对三种预测模型进行融合,将融合结果作为飞行事故率预测模型的权重,从而得出待测年份的飞行事故预测结果.以美国空军A类飞行事故数据对该组合模型进行验证,结果表明组合预测模型能够较准确地预测飞行事故率,且模型精度优于任何单一预测模型.     

长隧道围岩施工变形特征分析的模型应用

隧道围岩监控量测是隧道安全施工的重要保证,通过对隧道现场实测数据进行建模来分析围岩施工的变形特征,可以判断隧道围岩的稳定性,从而指导隧道的下一步施工。利用灰色系统理论GM(1,1)模型和BP神经网络模型对某隧道现场监控量测数据进行数据拟合与建模分析,并通过计算拟合残差选取更适合的预测模型来处理分析数据。由模型预测结果可知,BP神经网络模型所得到的拟合值更加贴合实际发展趋势,拟合精度更高,具有一定的适应性。