基于小波和混沌优化LSSVM的周期来压预测

采煤工作面的液压支架是承受顶板压力的主体结构,选择支架的主要根据是其将要承受的周期来压荷载。为预测周期来压,构建了基于小波和混沌优化的最小二乘支持向量机(LSSVM)方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量,基于混沌理论对分量相空间进行重构。各重构分量分别使用LSSVM模型进行训练,其中LSSVM预测模型的参数由混沌粒子群算法进行优化。最后,将各LSSVM模型得到的预测分量进行小波重组得到完整的周期来压荷载预测波形。通过在重构时的计算发现,在某周期下,荷载的时序序列有一定的混沌性。与其他3种模型进行比较,基于小波和混沌优化LSSVM的预测模型得到的最终荷载波的精度更高,收敛性也较好。     

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％...     

基于支持向量机的边坡稳定性预测研究

针对边坡稳定性影响因素复杂,传统的稳定性分析存在计算量大、计算过程复杂的问题,提出了边坡稳定性的支持向量机预测方法。分析了边坡稳定性的影响因素,选择影响边坡稳定性的边坡重度、内聚力、摩擦角、边坡角、边坡高度、孔隙压力比6项指标为特征向量。并运行该方法对典型边坡实例进行了预测,预测结果与边坡稳定性实际状态及其它方法预测结果相吻合,表明了支持向量机在边坡稳定性预测中的可靠性和有效性。     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

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。     

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。     

雾霾天气预测中支持向量机的应用分析

支持向量机在对非线性复杂问题进行处理的过程中,展现出来的优势特征非常突出,本文针对雾霾天气预测中支持向量机的应用做出了进一步探究,对支持向量机的概念、支持向量机的基本思想、建立雾霾预测模型、预测试验给出了详细的分析。     

基于SVM的通风系统故障诊断惩罚系数与核函数系数优化研究

使用支持向量机（SVM）方法对矿井通风系统进行故障诊断,存在惩罚系数（c）和核函数系数（g）,通过人工方法选取效率低、难以达到较高准确率并且出现过拟合的问题。为了提高矿井通风故障诊断的效率、准确率,同时避免过拟合现象,提出了一种改进遗传算法（GA）,在故障诊断过程中对支持向量机的c,g参数进行优化。经过多组试验分析,研究结果表明:用遗传算法优化的SVM矿井通风故障诊断系统相比于未优化系统的故障诊断准确率有所提升,参数未优化前故障诊断的准确率为60%,优化后的准确率为97.894 7%,并且优化参数经过大数据样本验证,未出现过拟合现象,证明了本文提出方法的有效性。     

基于支持向量机的室内轰燃预测模型研究

为对室内轰燃进行准确预测,针对室内轰燃样本的不足在一定程度上制约了其应用,为此运用SVM技术构建室内轰燃预测的数学模型。在小样本条件下,应用工具软件LIBSVM进行仿真,并将SVM模型预测结果和人工神经网络预测结果进行对比。结果显示,SVM技术能较好地解决小样本和模型预测精确度之间的矛盾,SVM模型其预测精度及可行性高于神经网络模型。实例表明,由于室内火灾受多种因素影响,传统的预测方法存在一定的局限性,而SVM模型预测法预测的结果与试验结果比较一致。     

基于支持向量机的入侵检测研究

根据入侵检测和支持向量机的特点,提出基于最小二乘支持向量机异常检测方法,并建立基于支持向量机入侵检测的模型,对网络数据进行采集,提取特征,进行分类,分辨正常的数据和异常的数据。并在KDD CUP'99标准入侵检测数据集上进行实验,选取data_10_percent子集,把该数据集中的41个属性作为特征,将该子集最后一个属性label属性为:back,ipsweep,neptun,ports-weep和normal各200个数据进行测试。实证表明:该方法能获得较高检测率和较低误警率。     

种族鱼群优化支持向量机序列理论监测尾矿坝

为监测预警尾矿坝的变形位移,提出基于结构风险最小化理论的支持向量机进行学习预测。通过采集有效数据,对时间序列数据进行归一化序列处理,然后采取种族鱼群选择向量机参数,对处理后的数据进行支持向量机回归预测。将该理论应用到某尾矿坝监测系统,得到了较为准确的预测结果,表明该理论充分利用了数据的统计特性,精度和泛化能力都得到了明显提高,可作为尾矿坝监测系统的有效指导。     

基于灰色支持向量机的湿天然气集输管道腐蚀研究

湿天然气集输管道系统运行时间长,管道腐蚀严重,失效泄漏事故频发,其系统风险评价面临诸多问题,因而研究其腐蚀率预测有重要意义。基于灰色支持向量机(GSVM)方法,综合考虑管道材质及其各种影响因素,对其进行灰色相关分析,并根据结果选取有较高相关度的影响因子作为输入变量,将腐蚀率作为目标输出函数,建立湿天然气集输管道腐蚀预测模型。并通过实证分析比较,发现用该模型计算出的管道腐蚀率平均相对误差较小,其预测结果与实际值吻合程度较高,使预测精度得到提高。     

支持向量机在边坡稳定性预测中的应用

针对离子型稀土原地浸矿边坡稳定性问题的小样本、非线性等特点,采用一种边坡稳定性预测模型——支持向量机(SVM)模型,分别使用网格参数寻优、遗传算法(GA)参数寻优、粒子群(PSO)寻优算法来计算SVM模型的参数,分析比较3种算法得到的参数,确定最适合离子型稀土原地浸矿边坡稳定性预测的SVM回归模型的参数寻优算法。     

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。     

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。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。