基于集合经验模态分解和支持向量机的溶解氧预测

应用集合经验模态分解(EEMD)和支持向量机(SVM)相结合的方法,建立一种天然水体溶解氧浓度预测模型。首先,利用EEMD方法将溶解氧时序分解成不同频段的分量,以降低序列的非平稳性;然后,根据各序列分量的自身特征建立合适的SVM预测模型,此过程通过相关分析确定各分量输入量;最后,将各子分量预测值合成得到最终的预测结果。使用该模型对嘉陵江北温泉段的溶解氧浓度进行预测,结果表明,与传统单一的SVM和BP神经网络模型相比,该模型能有效提高预测精密度,具有良好的应用前景。     

支持向量机在城市震后火灾损失预测中的应用

针对地震火灾的复杂性和多变性的特点,在综合分析了各种震后火灾损失预测方法的基础上,提出了基于支持向量机的城市震后火灾损失预测模型。以地震火灾的历史资料为依据,建立学习样本和测试样本,并与BP神经网络预测方法相比较,验证了其可行性,也为其它自然灾害的损失预测提供了简单、有效的方法。     

煤与瓦斯突出预测的GA-SVM模型及应用

为了对煤与瓦斯突出进行有效预测,将遗传算法和支持向量机相结合,提出煤与瓦斯突出预测的GA-SVM模型。以我国典型的煤与瓦斯突出煤矿15个实例为样本,以交叉验证准确率作为遗传算法的适应度函数,搜索得到径向基核SVM最优惩罚因子C=28.8786、宽度函数σ=0.16508,利用最优参数建立煤与瓦斯突出预测GA-SVM模型进行预测,结果与实际完全一致。应用该模型对云南恩洪煤矿8个突出实例进行预测,并与单项指标法、综合指标法和BP神经网络进行比较。研究结果表明,煤与瓦斯突出预测GA-SVM模型具有较高的可靠性和精确性,能对煤与瓦斯突出进行有效预测。     

支持向量机回归在臭氧预报中的应用

采用南京工业区2016年5月20日~8月15日这一高臭氧（O₃）期的O₃、O₃前体物和常规气象资料数据,利用支持向量机回归（SVMr）方法分别预报O₃的小时值、日最大值和最大8 h滑动平均值.结果表明,O₃小时值预报的相关系数（R²）为0.84,平均绝对误差（MAE）和平均绝对百分误差（MAPE）分别为3.44×10^-9和24.48,O₃前期浓度、紫外B波段辐射（UVB）和NO₂浓度是关键因子.O₃日最大值预报的主要因子是NO_x在07：00的浓度和UVB.预报O₃ 8 h时UVB和气温起重要作用.加入前体物项能够使O₃的预报精度提升10%~28%.与多元线性回归方法相比,SVMr对O₃浓度的预报有明显优势.     

光伏出力的模糊区间预测

针对光伏输出功率的点预测精度不足、传统支持向量机(SVM)在参数优化方面存在的固有缺陷等问题,根据模糊信息粒化理论和纵横交叉算法,提出一种基于CSO-SVM和模糊信息粒化理论的光伏出力模糊区间预测方案。结果表明:该方案可以得到较好的点预测值及其置信区间,某种程度上解决了传统点预测结果的信息局限性。     

面向驾驶员辅助系统的换道意图辨识方法研究

为提高先进驾驶员辅助系统工作效能,通过差异性分析选取了人-车-路特征参数,建立了支持向量机换道意图辨识模型.基于驾驶模拟器采集的数据,运用ROC曲线对比分析了不同参数组合、时窗、数据表达形式下模型的分类效果,结果表明以方向盘转角、加速度、车辆距车道线距离和驾驶人头动信息为特征参数,时窗为1.5s,以时窗内信息均值和方差表述特征参量可获得最优辨识效果.研究表明,模型在保证1 s前瞻性的同时辨识率可达93％.     

全球近期灾害录

正~~     

抓立法治根本防治机动车排气污染

一、北京市机动车排气污染现状及其潜在危险北京市现有各种机动车45万辆,其中汽油车25.75万辆,柴油车2.25万辆,并以每年7.5%的速度递增。此外还拥有自行车730万辆,道路负荷已呈饱和状态。机动车平均行驶速度逐年下降,市区很多路段限速在40公里;大部分     

安全生产良性循环原理

在人机环境系统本质安全化原理［１］一文的基础上，阐明安全生产良性循环的理论模型及实际模型，然后阐明了实现人、机及环境三者本质安全化的方法。