导读:本文包含了变形支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:大坝变形,时间序列,经验模态分解,最小二乘支持向量机(LSSVM)
变形支持向量机论文文献综述
刘嘉[1]（2019）在《经验模态分解和最小二乘支持向量机在大坝变形预测中的应用》一文中研究指出由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。(本文来源于《北京测绘》期刊2019年01期）
王俊锋,姚志华[2]（2018）在《粒子群算法优化支持向量机的深基坑变形预测》一文中研究指出针对深基坑变形监测数据动态非线性特征,提出了粒子群优化的支持向量机回归模型,利用粒子群算法对支持向量机模型的惩罚参数和核函数参数进行寻优,根据寻优得到的最佳参数组建立改进的支持向量机预测模型。以桂林某深基坑工程实测数据为例,将模型预测结果与实测值进行对比分析,并采用均方误差、平方和误差、平均相对误差作为误差检验指标对预测结果进行评价。结果表明:该模型预测结果更好地反映了深基坑的变形动态,而且提高了预测精度,对深基坑安全监测具有一定的工程应用价值。(本文来源于《北京测绘》期刊2018年11期）
翟会君,饶振兴,翟洪涛[3]（2018）在《基于优化支持向量机及Spearman秩次检验的q滑坡变形预测研究》一文中研究指出为提高滑坡变形预测精度,先以支持向量机为基础,采用试算法和粒子群算法优化其模型参数,构建了优化支持向量机模型,实现了滑坡变形预测;其次,再利用Spearman秩次检验法来判断滑坡的变形趋势,并通过变形趋势判断来佐证预测模型的准确性。实例研究表明:试算法和粒子群算法能有效克服支持向量机在参数设定过程中的主观性,得到优化支持向量机不仅具有较高的预测精度,还具有很好的滚动预测能力。同时,Spearman秩次检验能有效判断滑坡的变形趋势,且AR(1)模型可有效剔除原始变形序列的相关性,经去相关性处理后,相应变形序列的Spearman秩次系数会不同程度的减小,得出的判断结果趋于保守;对比变形预测结果与趋势势判断结果,得出两者具有较好的一致性,验证了2种方法在滑坡变形规律研究中的适用性和有效性。(本文来源于《甘肃科学学报》期刊2018年05期）
刘超,唐锡彬,邓冬梅,孙自豪,姜耀飞[4]（2018）在《基于支持向量机回归的岩体变形模量预测》一文中研究指出岩体变形模量是表征岩体变形特性的最重要参数之一,其获取手段有室内试验与现场试验法、经验关系法、数值模拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法,但神经网络易陷入局部极小值和过学习而导致低精度,支持向量机回归(SVR)方法能有效地避免神经网络的以上缺陷,并在小样本、非线性预测方面具有较大优势,但目前SVR应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托,采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上,以3个国内的水电站为例,分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化-支持向量机回归(PSO-SVR)变形模量预测模型,同时,通过与BP神经网络(BP-NN)、RBF神经网络(RBF-NN)2种预测方法进行对比,对比分析表明SVR模型具有更高的预测精度,预测效果较好,说明PSO-SVR方法更适用于岩体变形模量预测。(本文来源于《地质科技情报》期刊2018年05期）
冯腾飞,钟钰,刘小生,于良[5]（2018）在《基于自适应人工蜂群算法优化的最小二乘支持向量机在变形预测中的应用》一文中研究指出针对人工蜂群算法(ABC)机制中步长更新及概率选择方面的不足,提出了自适应人工蜂群算法(AABC).在AABC中设计了新的自适应步长更新公式及自适应概率选择公式来平衡算法的勘探和开发能力.采用AABC算法对最小二乘支持向量回归机(LSSVR)进行参数优化,进而构建出基于AABC优化的LSSVR变形预测模型并应用于滑坡变形预测.实验结果表明,AABC有效的解决了ABC过早收敛、收敛精度不高等缺点,且较对比模型来讲,AABC_LSSVR模型预测精度更高,预测趋势更符合实际.(本文来源于《江西理工大学学报》期刊2018年03期）
张灵凯[6]（2018）在《基于改进的蚁群算法优化支持向量机参数的边坡变形预测研究》一文中研究指出随着城市化进程的飞速发展,出现了大量的边坡。近年来边坡失稳事故频繁发生,这无疑给国家和人民带来了相当大的灾难。因此有必要建立有效的预测模型,对边坡未来的变形趋势作出准确的预测,最终实现边坡变形研究的目的。针对传统变形监测数据处理方法存在一定的局限性,结合优化支持向量机参数的算法研究现状,提出一种改进的蚁群算法,将其与网格法结合来优化支持向量机参数,并应用于边坡变形预测中。首先,阐述了边坡变形预测的意义,对边坡变形预测研究现状作了全面的分析,提出将能够有效地解决小样本、非线性和高维度等问题的支持向量机用来预测边坡变形。针对传统支持向量机预测模型参数难以确定、基本蚁群算法寻参易陷入局部最优的问题,提出动态调节蚁群转移概率公式中的两个因子和挥发系数,构建改进的蚁群算法,并与网格法结合来搜索支持向量机最佳参数,最终建立改进的蚁群优化支持向量机参数模型。其次,选取边坡变形两个实例数据,采取一步预测的方法,在Matlab平台上结合Microsoft Visual C++6.0编译器,使用libsvm工具箱扩展编程,来完成改进蚁群优化支持向量机参数模型的训练与预测。最后,根据编写的Matlab程序,用遗传算法支持向量机模型、粒子群算法支持向量机模型和改进蚁群算法支持向量机模型对国内某两处的边坡数据进行实验。实验结果采用平均相对误差来评价,得到的遗传算法支持向量机模型的平均相对误差分别为6.74%和6.71%,粒子群算法支持向量机模型的平均相对误差依次是4.99%和4.16%,而改进蚁群算法支持向量机模型的平均相对误差依次为2.60%和2.28%,并且改进模型所得的均方误差和平方和误差都小于其他两种模型。结果表明,改进的蚁群算法优化支持向量机参数模型可以较好地预测边坡变形,且优于文中的其他两种模型。(本文来源于《江西理工大学》期刊2018-05-25）
容静,刘立龙,甘祥前,顾峻峰,周吕[7]（2018）在《用小波分析与灰色支持向量机预测高铁变形》一文中研究指出针对高铁变形监测数据的非线性特征,构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列,通过嵌入维数的确定和高低频数据的相关性分析,将重构后的随机序列作为遗传算法优化SVR模型的输入,对近似序列则采用灰色支持向量机来描述其演变特征,最后将二者预测结果进行耦合迭加,得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例,将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价,结果表明该模型较好地拟合了近似分量,同时避免了细节分量的过拟合,为高铁变形预测提供了新途径。(本文来源于《大地测量与地球动力学》期刊2018年05期）
张碧[8]（2018）在《基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断》一文中研究指出隧道变形具有明显的非线性特征,为实现其准确预测,基于卡尔曼滤波和多种优化的支持向量机模型对隧道变形进行预测,以探讨不同预测模型的适用性,并进一步进行组合预测;同时,利用V/S分析法计算变形序列的Hurst指数,以判断隧道的变形趋势,并与预测结果进行对比,综合判断隧道的变形规律。结果表明:最小二乘支持向量机的优化效果最好,且预测隧道后4个周期均为增长变形;同时,变形序列和速率序列V/S分析的Hurst指数分别为0.845和0.602,均>0.5,得出隧道后期变形呈持续增长趋势,与预测分析一致,验证了思路的有效性。(本文来源于《长江科学院院报》期刊2018年04期）
薛兴祖[9]（2018）在《基于粒子群—拉格朗日支持向量机方法的地下厂房变形预测分析》一文中研究指出针对地下厂房拱顶非线性变形问题,应用粒子群—拉格朗日支持向量机方法对地下厂房拱顶变形进行预测分析;针对各影响因子之间相互影响、相互干扰的问题,用拉格朗日支持向量机来表征荷载—变形之间的非线性及荷载之间的耦合关系,与标准支持向量机相比极大的提高了计算速度;同时针对拉格朗日支持向量机对参数取值敏感问题,提出利用粒子群算法对相关参数进行搜索优化以达到最佳拟合效果。该方法应用到地下厂房拱顶变形预测中,用来预测某地下厂房的拱顶变形,结果表明:该方法拟合度较高,预测误差在1 mm内,误差较小,满足工程设计要求。(本文来源于《能源与环保》期刊2018年03期）
孙炀,冯现大,杨令强[10]（2018）在《基于多分类支持向量机的隧道挤压大变形预测》一文中研究指出介绍了隧道挤压大变形的危害,提出了一种基于四个参数即直径(D),埋深(H),支护刚度(K)和岩石隧道开挖质量指数(Q)的多分类支持向量机(SVM)方法,对隧道挤压大变形的预测进行了研究,解决了隧道变形多分类预测问题,提高了预测精度。(本文来源于《山西建筑》期刊2018年08期）
变形支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对深基坑变形监测数据动态非线性特征,提出了粒子群优化的支持向量机回归模型,利用粒子群算法对支持向量机模型的惩罚参数和核函数参数进行寻优,根据寻优得到的最佳参数组建立改进的支持向量机预测模型。以桂林某深基坑工程实测数据为例,将模型预测结果与实测值进行对比分析,并采用均方误差、平方和误差、平均相对误差作为误差检验指标对预测结果进行评价。结果表明:该模型预测结果更好地反映了深基坑的变形动态,而且提高了预测精度,对深基坑安全监测具有一定的工程应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
变形支持向量机论文参考文献
[1].刘嘉.经验模态分解和最小二乘支持向量机在大坝变形预测中的应用[J].北京测绘.2019
[2].王俊锋,姚志华.粒子群算法优化支持向量机的深基坑变形预测[J].北京测绘.2018
[3].翟会君,饶振兴,翟洪涛.基于优化支持向量机及Spearman秩次检验的q滑坡变形预测研究[J].甘肃科学学报.2018
[4].刘超,唐锡彬,邓冬梅,孙自豪,姜耀飞.基于支持向量机回归的岩体变形模量预测[J].地质科技情报.2018
[5].冯腾飞,钟钰,刘小生,于良.基于自适应人工蜂群算法优化的最小二乘支持向量机在变形预测中的应用[J].江西理工大学学报.2018
[6].张灵凯.基于改进的蚁群算法优化支持向量机参数的边坡变形预测研究[D].江西理工大学.2018
[7].容静,刘立龙,甘祥前,顾峻峰,周吕.用小波分析与灰色支持向量机预测高铁变形[J].大地测量与地球动力学.2018
[8].张碧.基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断[J].长江科学院院报.2018
[9].薛兴祖.基于粒子群—拉格朗日支持向量机方法的地下厂房变形预测分析[J].能源与环保.2018
[10].孙炀,冯现大,杨令强.基于多分类支持向量机的隧道挤压大变形预测[J].山西建筑.2018
标签：大坝变形; 时间序列; 经验模态分解; 最小二乘支持向量机(LSSVM);