基于数据库与支持向量机的施工升降机安全风险预测

为预防施工升降机安全事故的发生,利用数据库和支持向量机(SVM)算法预测施工升降机的安全风险.首先依据相关理论和施工升降机的特点,初步定性分析施工升降机的安全风险因素;然后利用施工升降机安全事故数据库管理系统统计分析施工升降机安全事故案例,细化安全风险因素,确定施工升降机安全风险预测指标;最后运用SVM算法构建施工升降...     

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。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。     

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。     

基于支持向量机的综合管廊火灾纵向温度实时预测

城市地下综合管廊一旦发生火灾,会对城市造成很大的经济损失和社会影响。考虑到火灾的快速发展和综合管廊狭长受限的特殊空间结构,迫切需要一套准确、实时的火灾温度预测系统辅助消防救援人员制定决策和指导消防行动。建立了5种不同火源位置的地下综合管廊电缆火灾数值模型,结合支持向量机(SVM),根据火源位置、热释放速率、火灾发生时间以及待测点与火源之间的相对位置关系开发了一种数据驱动的温度实时预测模型,实现了地下管廊火灾场景内的纵向温度预测,提出了在火源附近数据结构的优化方案,提高了火源附近的预测准确度。该方法在预测性能和预测时间方面取得了优异的性能,展示了人工智能在火灾预测应用中的优越表现和发展前景。     

基于支持向量机的铁路周边地表沉降变形量预测

为了保护既有运营线路安全,准确预测既有铁路周边地表沉降变形量,针对JCD01和JCD02监测点分别采用网格搜索法和粒子群算法进行参数寻优,建立了基于支持向量机的变形量预测模型。结果表明:对于监测点JCD01,以粒子群算法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.046 896;对于监测点JCD02,以网格搜索法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.117 65。利用该模型可以对铁路周边地表沉降变形量进行准确预测,降低事故危害。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优,采用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSO-SVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

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。     

航班运行风险因素耦合性分析

为定量分析风险多因素间互相影响,以民用航空安全统计数据为基础,使用N-K模型和耦合度模型分别对航班运行数据进行计算得到耦合值。系统分析在地面和空中时航班运行风险耦合情况。结果表明:空中运行航班,受空管因素影响不大,当机组方面存在风险时,需特别注意天气与机械故障;航班在地面时,避免3个及以上因素同时发生即可有效管控风险。无论在地面或空中,机械维修与天气因素耦合度值较高,两者同时发生将严重威胁运行安全。2种模型所得耦合度数值趋势吻合度较高。     

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。     

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。     

基于支持向量机的采空区稳定性分级

针对采空区稳定性分级的影响因素众多且关系复杂的特点,提出采用支持向量机理论对采空区稳定性进行分级。根据分级评价指标选取原则,选取岩体结构、地质构造、岩石的质量指标、地下可见水、地下水体、周边开采的影响、相邻空区的情况、工程布置、跨度、面积、高度、矿柱的尺寸及布置、埋藏深度和采空区的规格14个影响因子,建立了采空区稳定性评价指标体系,引入支持向量机理论,选择有向无环图方式构造多类分类器,得到采空区稳定性分级的支持向量机模型。将该模型用于山东黄金矿业西山矿区的25个采空区进行分级,并与未确知测度方法的分级情况     

基于支持向量机的高速公路事件检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,描述了支持向量机(SVM)支持的基本方法,建立了基于线性(linear function)、多项式(polynomial function)和径向基(radial basis function)3种核函数的事件检测SVM模型。采用高速公路路段I-880线圈数据集和事件数据集验证模型,结果发现:无论对于向北、向南或混合方向的事件检测,在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

基于多算法协作的航班运行风险辨识研究

针对使用单一算法难以大幅提升航班运行风险辨识精度的问题,首先详细分析航班运行工作流程,筛选出重要评估指标15项,精选X航100个航班案例作为数据样本,使用粗糙集理论约简得到9个风险核心指标;然后选用支持向量机(SVM)和神经网络2种机器学习方法,分别建立风险辨识模型计算风险等级,并将其与基于模糊算法的X航风控系统运算结果对比;进而,依据各算法优缺点,构建多算法协作模型;最后使用G航和N航日运行数据检验模型有效性。结果表明:神经网络方法对低风险分辨效果最好;SVM对中高风险辨识能力最强;用所构建的多算法协作模型计算结果的正确率最高可达95%。     

灰色支持向量机在瓦斯流量预测中的应用

在分析了灰色预测方法和支持向量机各自的优缺点基础上,提出了将二者相结合的一种新的预测模型灰色支持向量机瓦斯流量预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷,工程实例表明,所提出的瓦斯流量测模型较传统的GM(1,1)模型、支持向量机模型精度都有所提高,为瓦斯流量预测提供了一种新的方法.     

基于支持向量机的尾矿库灾害区域预警

尾矿库区域安全预警可以及时掌握区域内尾矿库安全态势的变化,防患未然,为尾矿库安全决策提供基础信息,具有重要的意义.建立一个高度自动化、智能化的区域安全预警系统,将在尾矿库的安全管理体系中发挥积极的作用.在确定尾矿库区域预警指标体系的基础上,本文首先介绍了支持向量机的基本原理,其次介绍了模型样本的生成方法,然后说明了怎样实现模型,最后举出实例. 通过该方法可以确定尾矿库的预警等级,从而为有效预防事故的发生提供了依据.     

基于支持向量机的飞行安全隐患危险性评价

提出了基于支持向量机的飞行安全隐患危险性评价方法,建立了支持向量机模型。并以飞行安全隐患危险性评价的基本要素为输入节点,以评价结果作为输出节点,对空军某部的飞行安全状况进行了评价。结果表明:对于飞行安全隐患危险性评价问题,支持向量机方法较传统神经网络方法精度更高,速度更快,实际应用中也更易于实现。