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。     

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。     

融合多源数据的ABC-SVM快速路交通事件检测

为保证城市快速路段的畅通,建立一种基于蜂群算法-支持向量机(ABC-SVM)融合多源交通数据的城市快速路交通事件检测方法。首先通过分析路段实际情况,选取不同检测器的数据作为事件检测模型的输入值;然后利用蜂群算法(ABC)对支持向量机(SVM)分类模型中的参数进行优化,获得最优的交通事件检测模型,模型的输出结果为检测路段是否发生交通事件;最后结合成都市三环城市快速路路段上采集到的多源交通数据进行实例验证。结果表明,利用ABC-SVM方法进行事件检测的效果优于BP神经网络的方法。     

基于支持向量机的应急预案动态优选方法研究

为了提高突发事故应急效率,针对事故发展的不同阶段对应急资源的需求,在群体决策方法的基础上利用支持向量机方法进行动态应急预案优选.首先利用专家对量化后的应急预案进行评价,通过向最拼接将其转化为等价的可用于分类的训练样本集,再应用标准支持向量机分类器对应急预案进行分类和排序,最后实现对应急预案的动态优选.研究表明,该方法充分利用了支持向量机方法的自学习能力,以应急过程中的动态需求为依据,可以实现动态的应急预案优选.     

PCA-SVM模型在煤层瓦斯涌出量预测中的应用

针对煤层瓦斯涌出量影响因素众多且各因素间呈复杂非线性的特点,文章利用主成分分析法(PCA)和支持向量机(SVM)的理论基础,构建了PCA-SVM的煤层瓦斯涌出量预测模型,该模型利用SPSS20.0软件中的主成分分析模块对影响煤层瓦斯涌出量的12个因素进行降维,提取其中3个最能反映原始数据本质特征的主成分因子,再将主成分因子的前25组数据作为训练集,后10组数据作为测试集,借助MATLAB中的LIBSVM工具箱进行支持向量机预测,最后将PCA-SVM、SVM及使用较为广泛的多元线性回归3种方法的瓦斯涌出量预测结果进行对比,预测结果表明PCA-SVM模型在预测精度、稳定性方面都优于其他两种预测方法,更适合煤层瓦斯涌出量的预测。     

基于Bigram的安全隐患文本分类研究

鉴于传统文本分类研究缺少针对性,在安全隐患文本分类实际应用中表现不佳,以及企业安全隐患文本文本长度短、特征单元选取困难,为高效地从大量安全隐患文本数据中提取、分析有效信息,更好地掌握安全隐患的发生和变化过程,提出利用Bigram二字串作为特征单元,结合支持向量机(SVM)数据挖掘算法的安全隐患文本分类方法。以潞安集团司马煤业有限公司2009—2015年安全隐患记录为数据源,通过试验,验证该方法的分类效果。结果表明:新的安全隐患分类方法具有较高的准确率、召回率及F-值,与传统方法相比,显著提升了分类的准确度。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

基于差异进化支持向量机的坑外土体沉降预测

就用支持向量机(SVM)预测基坑外土体沉降而言,通过差异进化(DE)算法构造适合的决策函数十分重要。在确定坑外土体沉降函数的基本形式下,进行参数反演。后将得到的解析式作为SVM的决策函数,再进行核函数转换,从而使SVM的曲线拟合更加快速,预测更加准确。对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测的结果表明,使用SVM-DE算法在计算数据量、计算消耗时间和预测精度方面优于2种方法单独使用。     

非合作大型UAVs飞行冲突预测方法研究

为降低非合作大型无人机(UAVs)之间的碰撞风险,首先在分析大型UAVs运行方式的基础上,提出基于UAVs运行管理平台的非合作大型UAVs飞行冲突预测机制和程序;然后建立基于UAVs飞行状态数据的飞行冲突预测模型,分别预测水平和垂直2个方向上的飞行冲突,进而判断是否存在飞行冲突,并分析冲突告警阈值,防止UAVs地面站过晚收到告警信息;最后利用3架UAVs实时飞行状态数据实例分析模型并验证该模型的可行性。结果表明:所提的冲突预测机制和程序可以实现非合作大型UAVs之间的冲突预测和预警;冲突预测模型可以准确判断是否存在飞行冲突并计算飞行冲突发生的时间。     

基于Multi-class SVM的车辆换道行为识别模型研究

自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。