ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

基于PCA和BP神经网络的中南公路岩质边坡稳定性预测

综合利用主成分分析法(Principle Component Analysis,PCA)对影响公路岩质边坡稳定性的6个因素进行主成分提取,提取的4个主成分作为BP神经网络的输入变量,边坡状态作为输出变量,并采用Levenberg-Marquardt(LM)算法优化BP神经网络,建立了基于PCA-LM-BP神经网络的公路边坡稳定预测模型。结合中南公路岩质边坡工程实例,将PCA-LM-BP神经网络模型的预测结果与LM-BP神经网络模型、BP神经网络模型预测结果进行对比。结果表明:基于PCA-LM-BP神经网络的预测模型精度较高,可为预测中南公路边坡稳定性提供一定的依据。     

不同修复工况下破损山体公路边坡稳定性评价

以浙江省定马线长春岭某公路边坡为例,采用GEO-STUDIO软件进行生态修复后公路破损山体边坡稳定性评价。首先对修复前原始边坡稳定性进行分析;然后进行边坡整形后依据规范制定锚杆支护方案,对支护后破损山体边坡稳定性进行分析;再对植物栽植后山体边坡进行稳定性分析。设定了正常工况、非正常工况Ⅰ和非正常工况Ⅱ三种工况,在三种工况下又分三种情况：原始裸岩边坡、整形+锚杆支护边坡、支护+覆土+植物栽植边坡。分析结果表明：正常工况下,原始裸岩边坡,整形+锚杆支护边坡,支护+覆土+植物栽植边坡三种状态的边坡稳定性系数提高0.196～0.232,说明边坡支护和生态修复均有利于边坡稳定;非正常工况Ⅰ与Ⅱ下的边坡安全系数比正常工况下的边坡安全系数有所降低。稳定性评价结果表明,破损山体在三种运行工况下,经过锚杆整形支护和覆土植物栽植后边坡更加安全稳定。     

基于DE-MELM的土质边坡稳定性预测方法

为防止滑坡,避免发生事故,将差分进化(DE)算法与改进的极限学习机(ELM)有机组合,提出了一种基于DE-MELM的土质边坡稳定性预测方法。该方法首先在M估计基础上利用加权最小二乘方法计算ELM输出权值,以减少数据粗差对ELM预测的干扰;然后采用DE算法优化该ELM隐含层输入权值和偏差,以降低随机选取参数对预测性能的影响;最后通过所建立的DE-MELM土质边坡稳定性预测模型进行实例仿真验证。仿真验证结果表明:较之于标准ELM方法和基于M估计的ELM方法,所提出的DE-MELM方法仅经过15次迭代即可取得较为理想的预测精度,并对数据粗差具有较强的抗干扰能力,从而验证了其可行性和有效性。     

基于拉格朗日插值法的新陈代谢模型在边坡位移监测中的应用

在边坡位移监测中,如何及时对监测数据进行修正和更新是提高预测精度的关键。以浙江某高速公路边坡位移监测数据为例,先采用拉格朗日插值法对误差较大的监测数据进行修正,再将修正后的数据作为原始数据建立新陈代谢模型,利用建立的新陈代谢模型对边坡位移进行预测,应用于实际工程后结果表明:经修正后的原始序列建立的新陈代谢模型能够更准确地预测高速公路边坡位移的变化趋势,模型的预测精度更高,可为边坡稳定性加固处置设计方案提供依据。     

基于关联向量机回归的水质预测模型

提出了一种基于关联向量机回归的水质时间序列预测模型,并以该模型对氢离子浓度指数(p H值)、溶解氧(DO)、高锰酸盐指数(CODMn)和氨氮(NH3-N)4种重要水质指标进行预测.首先采用国家环保部发布的四川攀枝花龙洞水质自动监测数据进行实验,对该模型的有效性进行了验证;然后将关联向量机回归预测模型与支持向量机回归预测模型进行比较.为了比较不同核函数的预测效果,实验中预测模型的核函数分别采用了线性函数和高斯函数.实验结果表明,关联向量机回归模型的预测效果不亚于支持向量机回归模型;且在给出预测值时,还能同时给出预测结果的可信程度.     

我国危险化学品事故灰色残差马尔科夫预测模型的建立及应用研究

随着工业发展和社会进步,人们对化工产品的依赖性越来越强,导致危化品事故频发,因此建立危化品事故预测模型并对其进行预测具有重要意义。以2006—2014年我国发生的危化品事故起数为原始样本,建立预测模型,并以2015年我国危化品事故实际起数为验证样本,对所建立的预测模型的预测精度进行了验证。结果表明:所建立的危化品事故灰色残差马尔科夫预测模型精度合格,可用来预测我国危化品事故的发展趋势。     

咪唑类离子液体毒性的QSAR/QSPR研究

离子液体因其独特的物化性质广受关注,被誉为"新一代绿色溶剂".用定量结构-性质/活性相关(QSAR/QSPR)方法建立了43种咪唑类离子液体毒性的多元线性回归预测模型,并用10种物质进行了外部测试.模型中包含了启发式算法筛选出的6个结构描述符,其统计数据分别为R2=0.921,R2CV=0.894,F=70.35,S2=0.098,外部测试集的R2=0.952.结果表明,该模型具有良好的可靠性,可用于咪唑类离子液体的毒性预测.     

羧酸及其衍生物急性毒性的QSAR研究

基于定量结构-活性相关性(QSAR)原理,研究了27种羧酸及其衍生化合物结构与其急性毒性LC50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最为密切相关的五个参数作为分子描述符,得出影响羧酸及其衍生物急性毒性的主要结构特征为分子的大小及其空间效应等。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,并对所建模型分别进行了内部验证和外部验证。结果表明,两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0.149和0.211,优于多元线性回归方法所得结果。     

边坡矢量和分析法最危险滑面搜索研究

边坡矢量和分析法主要考虑了力的矢量特征,在求得边坡真实的应力情况下,将潜在滑面的总抗滑力矢量与总下滑力矢量在边坡整体下滑趋势方向上投影的比值作为边坡稳定性安全系数。本文首先对边坡矢量和分析法的基本原理和安全系数表达式进行了介绍;然后在此基础上,将指定滑面入口和出口搜索最危险圆弧滑面并对其进行优化处理的方法运用到矢量和分析法最危险滑面的搜索中;最后通过两个算例进行了验证分析。算例的分析结果表明:使用该方法搜索得到的边坡最危险滑面在位置上与极限平衡法中Morgenster-Price法以及强度折减法得到的滑带虽然有一定差别,但得到的边坡稳定性安全系数十分相近,相对误差很小,从而验证了该方法在求取边坡稳定性安全系数中的适用性和准确性。该矢量和分析法最危险滑面搜索方法概念清楚,搜索过程简单,能进一步提高结果的准确性,值得进一步研究和应用。     

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。     

酚类化合物气相色谱保留指数的定量结构相关性研究

应用偏最小二乘回归技术建立了102种酚类化合物气相色谱保留指数与分子全息结构间的相关模型,在最佳建模条件下得到非交叉验证相关系数(r2)为0.965,交叉验证相关系数(q_LOO2)为0.963. 从102种酚类化合物中随机选出68种作为训练集,其余作为测试集,来验证分子全息QSRR模型的预测能力和稳健性. 在最佳建模条件对训练集进行偏最小二乘回归分析,r2为0.967,q_LOO2为0.927. 用训练集数据所建立的QSRR模型预测测试集中酚类化合物的色谱保留指数,结果表明,基于训练集所建立的QSRR模型具有很高的预测能力和稳健性,可以对测试集酚类化合物的气相色谱保留指数进行很好的预测. 此外,利用最佳全息定量结构保留关系(HQSRR)模型的色码图,探讨酚类化合物中的不同侧链基团对其色谱保留性质的影响,及其在固定相上的色谱保留机理.      

基于流形降维和梯度提升树的大气腐蚀速率预测模型

目的为了挖掘大气腐蚀速率与金属化学成分和暴露时间两个影响因素的定量关系,针对数据集特点,提出一种局部保持投影(Locality Preserving Projection)和梯度提升树(Gradient Boosting Decision Trees)结合的大气腐蚀速率预测模型(LPP-GBDT)。方法采用LPP算法对金属化学成分进行降维处理,得到金属化学成分低维特征,然后引入时间因素,并利用GBDT进行建立预测模型。以青岛海洋大气环境下积累的16年内的腐蚀速率数据进行模型性能验证,结果 LPP-GBDT模型测试集平均绝对误差为1.73μm/a,平均绝对百分误差为6.30%。正交化LPP-GBDT模型测试集平均绝对误差为1.21μm/a,平均绝对百分误差为4.42%。结论与多个典型预测模型相比,LPP-GBDT模型基于暴露时间和化学成分因素实现了大气腐蚀速率较为准确的预测,对特定环境下金属选材具有一定的参考价值。     

基于规范变换与误差修正的回归支持向量机的环境系统预测

为了建立不同环境系统皆能规范、统一、简洁、实用的回归支持向量机预测模型,针对传统的回归支持向量机预测模型存在结构不能普适、规范和统一及用于大样本、多因子预测会出现学习效率低、求解精度差的局限,提出适用于环境系统预测量及其影响因子参照值和规范变换式的设计原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子;为提高样本的预测精度,还提出预测样本的模型输出的误差修正法.在对环境系统的预测量及其影响因子进行规范变换的基础上,由有m个规范影响因子的每个建模样本生成m个"等效"训练样本,从建模样本中,选择各影响因子的最大规范值组成训练样本集的"参考样本",计算核函数中每个训练样本相对于"参考样本"的范数;并应用优化算法优化模型参数,建立适用于预测量及其影响因子规范值的仅有2个或3个支持向量的两种简单结构的回归支持向量机预测模型.将基于规范变换的两种简单结构的回归支持向量机模型与相似样本误差修正法相结合,用于河津大桥监测断面6个样本的COD月平均值预测,并与多种传统预测模型和方法进行了比较.结果表明:对同一个预测样本,两种模型的预测值十分接近;此外,两种预测模型用于6个样本预测,其相对误差绝对值的平均值分别为2.09%、2.79%,均远小于传统的投影寻踪回归预测的41.63%、支持向量机预测的40.99%、灰色神经网络预测的25.94%和马尔可夫预测的10.16%;而两种预测模型对异常样本预测的最大的相对误差绝对值分别为5.85%、5.13%,更加远远小于传统的4种预测模型的169.07%、180.45%、68.44%、41.96%.两种基于规范变换的回归支持向量机预测模型简洁、普适、规范和统一,避免了"大样本数困难",提高了学习效率和模型的预测精确度,对其他预测建模法也有借鉴作用.     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

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。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义.针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型.该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的...     

基于灰色预测模型与一元线性回归模型的煤矿瓦斯涌出量预测比较

在介绍灰色预测模型和一元线性回归模型的基础上,结合某煤矿实际,采用两种模型对瓦斯涌出量进行了预测,并对两种模型的预测值进行比较,结果表明:对基本符合线性关系的数据,采用灰色GM(1,1)模型较一元线性回归模型的预测精度要高。     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。