粒子群算法优化SVR的天德湖总氮遥感反演

以郑州天德湖为研究水域,利用实测的水质总氮数据和光谱反射率数据,获取反演总氮浓度的最佳波段组合,以此建立支持向量机回归（SVR）模型,并利用粒子群优化算法（PSO）优化SVR模型,建立PSO-SVR模型,再利用珠海一号高光谱（OHS）数据验证该模型的精度和适用性。结果表明：PSO-SVR模型的决定系数（R2）为0.923 6,均方根误差（RMSE）为0.103 3mg/L,平均相对误差（MRE）为3.656%;SVR模型的R2、RMSE和MRE分别为0.808 0、0.203 2mg/L和6.583%,PSO-SVR反演结果优于SVR模型。利用粒子群算法优化SVR模型,有助于提高天德湖总氮浓度反演精度,即利用实测光谱数据与卫星影像数据结合来反演总氮浓度可行。     

基于DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题,提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据,利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征,建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果,基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果,再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型,开展风门开闭扰动试验,验证方法的可行性。结果表明:在测试集上的识别准确率较高,对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量,可继续增加方法识别的准确率。     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

采用支持向量机算法优化电化学处理油田污水的工艺参数

采用支持向量机(SVM)算法,将Box-Behnken设计法与支持向量回归算法(SVR)实验参数优化软件相结合,优化电化学去除油田污水COD的工艺参数。通过量子粒子群算法对SVM算法参数进行优化,从建立的回归模型中找到工艺参数的全局最佳点:电解时间60 min,电解电流3 A,三维电极填充料中石英砂质量695 g。模型得到的COD理论最优去除率为92.48%,验证实验得到的COD去除率为91.43%。     

基于时间序列模型的航班运行风险短期预测

针对国内航班运行风险预测技术匮乏的现状,采用移动平均自回归(ARMA)方法,构建航班日运行风险的单变量预测模型;采用向量自回归(VAR)方法,构建航班日运行风险的多变量预测模型;经稳定性检验后,对比2种方法的短期预测效果,发现使用ARMA的单变量预测模型,未来第3天预测精度达到80.76%,可用预测周期为1～3天;而VAR多变量预测模型计算出未来第1天预测精度可高达92%,第7天预测精度仍达到80.64%,适用预测周期为1～7天。结果表明:基于ARMA和VAR的时间序列模型可用于航班运行风险的短期预测,而VAR模型精度更好,更加符合实际需求。     

基于MDE和分形优化SVM的周期来压预测

为了解决周期来压的预测问题,首先对已知支架周期来压荷载曲线使用多重差异进化算法(MDE)进行拟合,将每重拟合形成的单一正弦曲线与上次差余曲线(Ei)再作差余曲线(Ei+1)。将这些Ei图通过分形几何的盒子法计算维度和相关系数(r)。将每条Ei的维度、r和支架相对距离(L)作为输入值,对应的Ei的周期Ti、缩放系数Si和纵移系数Di作为目标值,使用支持向量机(SVM)进行训练。通过对维度和r规律的研究得到拟设置支架处荷载各Ei的维度和r,带入训练后的SVM模拟得到Ei的Ti、Si和Di,进而得到Ei的表达式。将上述Ei求和即为所求拟设置支架处的周期来压荷载。实例分析说明,该种方法预测结果可以大体反映支架周期来压的基本形式和变化规律。     

基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。     

桩板式挡土墙损伤预警研究

为预防挡土墙坍塌事故,首先基于小波包频带能量谱理论,对激励作用下挡土墙结构响应间虚拟脉冲响应函数进行小波包频带能量谱分析;然后创建损伤特征向量谱,确定损伤预警指标,开发一种用于挡土墙结构的三级损伤预警方法;最后对某桩板式挡土墙进行振动测试,验证该损伤预警方法的可行性和有效性。结果表明:基于损伤特征向量谱可预警挡土墙损伤状态;通过损伤预警指标走势图可预警挡土墙损伤位置;通过损伤程度与预警指标间的定量关系可预警挡土墙损伤程度。