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。     

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。     

基于支持向量机的管制疲劳检测模型研究

管制疲劳是影响民航安全的重大隐患,准确检测疲劳状态是进行疲劳预警、降低疲劳风险的关键。提出应用支持向量机模型融合多生理参数和眼动指标进行管制疲劳检测,通过MP150多导生理记录仪与眼动仪,采集模拟管制试验中正常与剥夺睡眠状态下被试的试验数据,同时记录其Karolinska疲劳等级和操作绩效。结果表明,RR间期、LF/HF、快慢波比值、PERCLOS和扫视速度均与管制疲劳呈较强相关,利用支持向量机融合五项指标构建管制疲劳检测模型,对于五级疲劳度的识别准确率为78. 1%,判断正常组与剥夺睡眠组的准确率为94. 2%。     

基于支持向量机建筑施工安全预警模型的研究

本文针对中国建筑施工企业安全管理现状,以企业预警管理论和现代施工安全管理理论为指导,结合建筑安全施工的实践与经验,建立基于支持向量机的安全预警模型,构建具有自我调节、自我适应能力的建筑施工安全预警管理体系。根据建筑施工现场的调查,经过分析,应用支持向量机预警模型进行预警研究,通过预警的结果,分析建筑施工现场的安全程度。这为建筑施工现场减少事故的发生提供了一定的参考。     

多类支持向量机在煤矿安全评价中的应用研究

针对矿井子系统诸多、环境复杂、影响因素多变和在现实条件下难以获得大量煤矿样本的情况,提出将对非线性、小样本问题有较高处理能力的支持向量机理论引入到机制评价中,并在归纳了支持向量分类机从一对多到一对一再到决策树模式的多渠道多层次分类原理基础上,建立了基于多分类支持向量机原理的煤矿安全多层次评价模型,同时通过提取影响煤矿安全因素的特征参数,引人类权重因子和样本权重因子,较好地解决了训练样本类别数量不平衡、数据干扰导致的错分问题,实现了对煤矿安全较高准确率和较高效率的评价.     

基于支持向量机的职业病危害预警模型研究

职业病危害的防治近年来逐渐得到国家和企业的重视,但是相关的标准和防治方案还不够健全,职业病危害的防治工作还有很长的路要走,职业病危害的相关预警模型建立还处于探索研究阶段。采用支持向量机对职业病危害的相关因素进行预警模型的建立和分析,新模型弥补了现有预警模型的部分缺陷,在一定误差范围内能实现更小样本、更快速度的职业病危害预警。     

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。     

用于早期火灾分类的非线性决策树支持向量机

对早期火灾信息进行研究,提出了一种基于非线性决策树的支持向量机多类分类模型。该模型利用非线性映射将样本投影到高维特征空间,比较每类样本在高维空间的分布情况,进行聚类构造出一个二叉决策树,使容易区分的类别从根节点逐层分类出来,有效克服了错分积累和避免不可分情况;同时,各个节点采用二值最小二乘小波支持向量机,以获得较高的泛化能力。该文将该模型用于早期火灾分类,并与BP神经网络、K近邻法和决策树方法进行比较,实验结果表明,该模型对早期火灾的识别率更高。     

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。     

基于支持向量机的区域水安全综合评价研究

从人水和谐的角度对水安全进行定义.在前人研究的基础上组建水安全评价的指标体系,引进支持向量机技术,利用其在统计学习理论中结构风险最小化的原理,以及其解决非线性和高维识别中的优势,特别是能克服主观因素的不利影响对水安全进行综合评价,并以水资源总量比较丰富,但由于时空分布不均存在水安全问题的浙江省为例进行评价.     

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。     

SVM application in hazard assessment: Self-heating for sulfurized rust

In order to assess the oxidation self-heating hazard of sulfurized rust, for particular ambient conditions in crude oil tanks, the support vector machine (SVM) technique is applied to predict the maximum temperature (T_max) of oxidation self-heating process. Five governing parameters are selected, i.e. the water content, mass of sulfurized rust, operating temperature, air flow rate and oxygen concentration in the respiratory/safety valve. The efficiency and validity of the SVM predictions are investigated in the case of two sets of data: more than 85 experiments performed in academic lab (China) and almost 17 additional results collected from existing literature. Two main steps are also discussed: the training process (on selected subsets of data) and prediction process (for the remaining subsets of data). It can be concluded that for both datasets the maximum temperature (T_max) values calculated by SVM technique were in good accordance with the experimental results, with relative errors smaller than 15% except for a few cases.The SVM technique seems therefore to be relevant and very helpful for complex implicit processes such as chemical reactions, as it is the case of the oxidation of sulfurized rust in oil tanks. Furthermore, such predictive methods can be continuously be improved through additional experiments feedback (larger databases) and can then be of crucial help for monitoring and early warning of hazardous reactions.     

一种新型的矿井突水分析与预测的支持向量机模型

针对矿井突水样本数少,信息不完整的特点,提出了矿井突水分析的线性核H-SVMs模型。推导模型的理论推广误差公式,设计自顶向下基于SVM最大间隔逐层分类构造H-SVMs的新方法,并应用于实际的矿井突水预测。实验结果表明,线性核H-SVMs模型结构简单、泛化能力强,不仅能很好地预测矿井突水,而且其层次结构能正确反映突水的等级关系,各判别函数的法向量还可以指示各突水影响因素的权重,通过判决函数能有效分析突水影响因素并提取突水预测规则,为矿井突水预测提供了新的方法。     

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。     

信息融合技术在火灾探测中的应用研究

为减少火灾探测中的误报警,基于信息融合技术对火灾传感器输出的信息进行处理。充分利用火灾探测系统的在线和离线数据,采用改进的主元分析法(PCA)、粗糙集(RS)理论、支持向量机(SVM)等3种方法的融合与互补,通过对系统的输入数据进行简化,消除原有信息的各分量之间的相关性,降低特征信息维数;实施最优最小约简,特征提取优化;构造自适应核函数,确定最优分类超平面,进行样本训练,获得火灾探测结果。从数据级、特征级、决策级3个层次上实现火灾信息融合。结果表明:该方法减少了融合过程中的信息损失,降低了计算的复杂性,有效地提高了火灾探测系统的可靠性和准确度。     

Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines

Rockburst possibility prediction is an important activity in many underground openings design and construction as well as mining production. Due to the complex features of rockburst hazard assessment systems, such as multivariables, strong coupling and strong interference, this study employs support vector machines (SVMs) for the determination of classification of long-term rockburst for underground openings. SVMs is firmly based on the theory of statistical learning algorithms, uses classification technique by introducing radial basis function (RBF) kernel function. The inputs of models are buried depth H, rocks’ maximum tangential stress σ_θ, rocks’ uniaxial compressive strength σ_c, rocks’ uniaxial tensile strength σ_t, stress coefficient σ_θ/σ_c, rock brittleness coefficient σ_c/σ_t and elastic energy index W_et. In order to improve predictive accuracy and generalization ability, the heuristic algorithms of genetic algorithm (GA) and particle swarm optimization algorithm (PSO) are adopted to automatically determine the optimal hyper-parameters for SVMs. The performance of hybrid models (GA + SVMs = GA-SVMs) and (PSO + SVMs = PSO-SVMs) have been compared with the grid search method of support vector machines (GSM-SVMs) model and the experimental values. It also gives variance of predicted data. A rockburst dataset, which consists of 132 samples, was employed to evaluate the current method for predicting rockburst grade, and the good results of overall success rate were obtained. The results indicated that the heuristic algorithms of GA and PSO can speed up SVMs parameter optimization search, the proposed method is robust model and might hold a high potential to become a useful tool in rockburst prediction research.