盾构隧道管片土压力的机器学习建模与可解释性

为探究软土地区盾构隧道掘进期间的相关施工因素对管片拱顶土压力的影响,本文针对该地区某盾构工程开展现场测试。通过预埋的传感器测得实际土压力值,同时收集施工期间盾构机相关操作参数。继而使用机器学习中SVR(support vector regression)支持向量回归、XGBoost极端梯度提升树等多种算法构建管片土压力的预测模型,针对预测性能最佳的模型使用SHAP(sHapley additive exPlanations)值法进行参量影响分析。结果表明,SVR支持向量回归在测试集中的预测效果为最佳,均方误差MSE(mean square error)为340.803、平均绝对误差MAE(mean absolute error)为15.819、可决系数R²为0.966 5;掘进总推力对管片土压力的影响最为显著,且与管片土压力成正相关影响关系。     

SVR算法在太阳黑子活动预测上的应用

支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

基于支持向量机的边坡形变预测

为了降低露天矿山在金属非金属矿山安全生产中的危险,提高露天矿边坡在线监测数据的准确性,提高露天矿山边坡稳定性的预报预测水平,本文将露天矿山边坡形变位移作为研究重点,以在线监测技术测得的数值为原始数据,利用支持向量机的方法,以时间为主线,建立露天边坡形变位移数学模型,最后,进行了工程实际露天边坡形变位移预测,结果表明,利用支持向量机方法建立的模型进行预测可以排除天气、现场条件和设备失效等许多因素的影响,为露天采场安全生产提供可靠的依据,保障了露天采场作业的安全,从而保障了人民的生命财产安全。     

基于支持向量机回归预测水稻叶片SPAD值

提出了一种基于机器学习的水稻叶片SPAD值预测方法。通过水稻栽培实验获取样本叶片的SPAD值和叶片图像的RGB值,应用支持向量机原理,建立以叶色图像RGB值为输入参数,叶片SPAD值为输出参数的回归模型。通过样本训练测试和预测实验,对水稻叶片SPAD值预测结果的平方相关系数为91.70%,平均相对误差为3.423%。结果表明支持向量机回归模型对水稻叶片SPAD值的有很好的预测结果,能够满足农学研究的要求,研究方法具有良好的普适性和推广性。     

基于博弈论组合赋权与理想点法的边坡稳定性分级评价

边坡稳定状态与其影响因素构成一个极为复杂的模糊系统,合理地进行边坡稳定性分级评价对边坡灾害防治具有重要的指导意义。将边坡稳定性分为稳定(Ⅰ)、基本稳定(Ⅱ)、欠稳定(Ⅲ)及不稳定(Ⅳ)四个等级,并将其影响因素归纳为几何因素(坡度、坡高、开挖台阶级数)、强度因素(边坡岩土体重度、内聚力、内摩擦角、含水率)和外部因素(支护状况、日最大降雨量)三类,进而构建边坡稳定性评价指标体系。基于博弈论思想,综合层次分析法、熵权法和主成分分析法计算评价指标最优组合权重。以我国西南地区10处铁路边坡为实例,采用理想点法中绝对距离和欧氏距离分别计算边坡实例评价指标对各稳定性等级的贴近度,并依据最大贴近度原则确定边坡稳定性等级。结果表明:①采用绝对距离的博弈论组合赋权-理想点模型评价结果与实际情况基本一致且较为保守;②采用绝对距离与欧氏距离的模型评价结果正确率分别为70%和30%;③采用绝对距离的博弈论组合赋权-理想点模型最适宜评价欠稳定边坡,评价结果正确率为80%。     

SVM回归法在西太平洋热带气旋路径预报中的应用研究

经过相关分析,提取影响热带气旋路径的气候学和持续性因子,然后分别采用支持向量机(SVM)和逐步回归方法建立西太平洋地区24,、48、72、96、120 h热带气旋路径中期预报模型.通过对2006-2010年的试报,结果表明:支持向量机回归模型无论在历史样本拟合的精度上还是在实际预报的能力上都优于逐步回归模型,而且这种优势随着预报时效的延长越来越明显.     

基于支持向量回归机的广西物流需求预测

传统的区域物流需求预测方法往往具有预测精度不高、数据处理效果不佳等不足,而基于支持向量回归机(SVR)的预测模型正好弥补其不足.基于SVR预测模型,以1985-2008年广西货运量为面板数据,选择合适的核函数及参数,并与灰色及一元回归预测方法相对比,发现其预测精度很高,预测值也吻合广西总体经济发展要求.     

基于Contourlet和SVR的红外弱小目标检测方法

本文通过分析红外图像中的小目标和背景特征,提出了基于Contourlet变换和支持向量回归(SVR)自适应滤波器的检测方法。该方法首先采用Contourlet变换抑制背景杂波;然后用基于SVR的自适应滤波器对高频系数进行滤波处理,可以大大提高图像的信噪比;最后根据目标运动的连续性和轨迹的一致性检测小目标,并利用流水线结构的序列处理方法进一步提高检测性能。最终实验结果表明:该方法可显著提高红外小目标的检测概率,实现远距离弱小目标的检测。     

支持向量机在雾霾天气预测中的应用

支持向量机(Support Vector Machines简称SVM)方法是一种新的统计学习理论方法,是处理非线性分类和非线性回归的一种有效方法。雾霾天气受多种因素的影响,雾霾预测包含大量的非线性因素。利用与PM2.5关系密切的12个因子建立基于RBF核函数的支持向量机方法的雾霾预测模型,对雾霾天气预测进行了探讨,经检验,该模型具有良好的预报能力。SVM方法为雾霾天气的预测提供了一种可行的有效途径。     

某边坡稳定性影响因素及其滑坡成因机制分析

研究了某边坡稳定性的影响因素及其成因机制,表明：边坡目前整体基本稳定,在近期局部施工中形成了多处大规模变形体,它们中绝大多数与施工开挖有关,边坡稳超陛的影响因素包括了：（1）前缘部分地段粘土层分布厚度较大,矿物含量高,强度低;（2）水文地质条件;（3）堆积土体透水性的不均一性。     

北京膨胀岩（土）深路堑边坡稳定性分析

土工格栅加筋柔性支护技术已成功治理南方多处膨胀土坍滑边坡。为验证柔性支护技术在北方深路堑边坡的处治效果,采用FLAC对北京膨胀岩（土）深路堑边坡柔性支护前后的位移、应力应变以及边坡稳定系数进行对比分析。研究表明：经干湿循环后,相比素膨胀土边坡,土工格栅加筋柔性支护的膨胀土堑坡发生的位移要小,坡脚处的剪应力集中减小,坡体没出现明显的剪切带,边坡整体稳定。     

基于最小二乘支持向量机的非线性广义预测控制

为了解决目前常用的非线性预测模型算法中过学习、存在局部极小值等不易解决的问题,本文提出一种基于最小二乘支持向量机对非线性过程建模并用广义预测控制进行在线滚动控制的算法。仿真结果表明,该控制算法具有很好的控制性能。     

支持向量机在分类问题中的应用研究

支持向量机是一种基于统计学习理论的机器学习方法,针对小样本情况表现出了优良的性能,目前被广泛应用于模式识别、函数回归、故障诊断等方面。这里主要研究支持向量机分类问题,着重讨论了以下几个方面的内容。首先介绍了支持向量机分类器算法,并将其应用于数据分类,取得了较高的准确率,所用数据来自于UCI数据集。仿真结果表明该算法具有较快的收敛速度和较高的计算精度。     

基于成像传感器噪声的相机源辨识算法研究

通过分析数码相机的成像特点,文章提出了一种基于图像噪声的相机源辨识方法。通过抽取反映传感器噪声的特征,并训练分类器实现相机型号的辨识。实验结果表明所提取的新特征比前面算法所提取的特征能更好的体现同一品牌相机的模式是噪声的特点,因此具有更高的识别率,且鲁棒性更好。     

基于混沌搜索的LS-SVM预测算法

为利用最小二乘支持向量机(LS-SVM)来进行预测,首先要确定影响LS-SVM模型的两个主要参数γ和σ,针对该问题提出了采用混沌搜索算法来搜索该模型的最优参数组合。混沌搜索的运动轨迹具有遍历性,随机性,可以进行全局和局部寻优,利用该算法搜索最优参数来确定预测模型,然后将该预测模型用于预测实践。实验结果表明,该模型具有较精确的预测精度和适用性。     

岩质边坡开挖坡角的神经网络选取方法分析

建立岩质边坡的稳定开挖坡角的神经网络非线性计算模型,分析边坡开挖稳定坡角选取的影响因素,并根据神经网络预测模型参数类型,确定参数的等级划分标准和相应的参数数据输入模式。搜集有关稳定边坡开挖坡角的训练样本,通过网络训练得到标准化的网络训练评价数据库,最后将需要预测评估的边坡评价参数输入计算模型中,获得稳定边坡的开挖坡角,通过数值计算、工程经验证明稳定边坡开挖坡角的选取是合理的。     

基于支持向量机的网页分类研究

探讨了网页的文本分类,阐明了多层文本的概念,分析了支持向量机的数学模型及基于支持向量机的层次文本分类算法,提出了基于支持向量机的网页分类方法流程,指出了进一步研究的要点。