基于无人机倾斜摄影测量技术与SVR算法的开采沉陷监测与预计

为实现矿区开采沉陷高精度监测与预计,将无人机倾斜摄影测量技术与支持向量回归算法(Support Vector Regression Algorithm,SVR)相结合,对赤峰市六家煤矿采区沉降量进行了监测与预计,并将预计结果与GPS实测结果进行了对比。结果表明:GPS实测矿区10 d测量沉降量为0.2~15.8 mm,东西南北区平均沉降量分别为51.2、31.5、46.6、130.8 mm,北侧沉降量分别为东、西、南侧的2.55、4.15、2.81倍,矿区北侧为沉降严重区,需要进行重点监测并制定合理有效的防治措施。基于无人机倾斜摄影测量技术与SVR算法预测的矿区东西南北区累计平均沉降量分别为49.4、31.5、45.8、134.6 mm,所有测点2种测量方式所得相对误差均在5%以内,反映出所提方法预计精度较高,为实现矿区开采沉陷高精度监测与预计提供了参考。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于改进Att-LSTNet与无迹粒子滤波融合的主动配电网预测辅助状态估计

针对传统的无迹粒子滤波(unscented particle filter,UPF)存在不准确的新息向量及未知的量测噪声协方差矩阵导致估计精度低的问题,提出一种改进Att-LSTNet与UPF融合的主动配电网预测辅助状态估计(forecasting-aided state estimation,FASE)方法。首先,采用引力搜索算法(gravitational search algorithm,GSA)对支持向量回归(support vector regression,SVR)的关键参数进行优化处理,利用历史数据建立GSA-SVR模型,并将其引入至Att-LSTNet模型的输出层,构建一种增强预测模型。然后,利用UPF中的新息向量来训练该模型,并结合孤立森林算法和箱线图法对原始新息向量进行监控和修正。最后,针对量测噪声协方差矩阵未知的情况,结合修正后的新息向量和UPF计算出未知量测噪声协方差矩阵,并进行状态估计。基于IEEE33与IEEE118节点标准配电系统的算例结果表明,所提出的方法在估计精度、泛化能力和鲁棒性等方面具有优越性。

机车前端薄壁吸能管仿真模型模糊参数的支持向量回归反求

为了获得影响耐撞性结构有限元计算精度的准确模型参数,提高冲击仿真的准确性,提出一种基于支持向量回归(support vector regression,SVR)模型进行参数优化反求的方法。以一种机车前端防爬结构中的预压薄壁吸能圆管为研究对象建立有限元模型,进行台车冲击试验验证仿真模型准确性。通过拉丁超立方试验设计驱动有限元模型进行少量计算获得数据集,有限元模型中的模糊参数为输入变量,计算与试验载荷的差异为目标响应,通过SVR方法构建映射关系,并采用增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)对超参数进行优化,确定SVR模型最佳配置;通过该最优SVR模型再次使用SEGA优化反求,获得最佳模糊参数组合。使用这组参数组合设置有限元模型,其仿真结果相较初始计算耐撞性指标和载荷曲线匹配程度都得到了提高。研究结果为有限元模型中模糊参数的准确设定、碰撞仿真的精度提升提供了一种新的思路。

基于BB-递归核函数SVR算法的U型折弯件模型参数优化研究

影响U型折弯件回弹的因素众多,工件尺寸、力学性能、负载条件、材料各向异性等相互耦合,表现出高度复杂的非线性,从而导致回弹预测结果的不确定性。本研究以板料折弯件回弹后的张开角(α)为目标函数,构建一个递归核函数支持向量回归(SVR)模型,并部署到分支界限法(BB)中,从而筛选出维度为4的最优的特征变量参数子集,其决定系数(R^(2))为0.982147,均方误差(MSE)为0.00433,模型预测精度相对较高。算法优化得到的折弯件参数为:厚度(t)为12 mm,上模宽度(d)为90 mm,上模圆角半径(r)为9 mm,载荷速度(v)为10 mm/s。BB递归核函数SVR算法、有限元模拟和实际测量的α分别为16.3°、17.5°和18.2°,尽管有限元结果更接近于实际值,但是BB递归核函数SVR算法可以为有限元模拟提供筛选出的参数(t,d,r,v)的数据,以快速进行模拟并预测张开角α,并实现回弹补偿装置的高效设计。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

基于贝叶斯随机方法的高原湖泊水位模拟预测

湖泊水位变化呈现随机性和流域水文模拟与湖泊水位响应的复杂性。文章以杞麓湖作为研究区域,利用气象水文因素与前1月水位数据基于贝叶斯统计理论构建BMA(VC,BP,SVR)和BMA(BP,SVR)模型,以期提高长时序湖泊水位预测精度。结果表明,BMA(VC,BP,SVR)和BMA(BP,SVR)模型预测精度高于单一模型,相关系数分别达0.99和0.98;BMA(VC,BP,SVR)模型95%置信区间覆盖率达90%,预测的不确定性较小;湿季(5—10月)水位预测精度低于干季(11月—次年4月)水位预测,且不确定性较大。

基于BLT计算复杂腔体结构屏蔽效能的拓展方法

本文通过拓展BLT(Baum-Liu-Tesche)方法,计算了复杂结构腔体的屏蔽效能(Shielding Effectiveness,SE). BLT方法最初被用于分析传输线模型,后被拓展到计算腔体屏蔽效能,然而其局限于计算矩形腔体和圆柱腔体的屏蔽效能,无法分析更加复杂的腔体结构.本文将BLT方法与数值方法相结合,同时利用机器学习的回归方法,将其拓展到复杂腔体结构的屏蔽效能计算中.本文首先计算了腔体二维截面的特征模;然后,基于电磁波传播规律建立了等效电路网络结构,结合BLT方法获得腔体屏蔽效能的频域响应分布;最后,利用机器学习方法训练支持向量回归模型(Support Vector Regression,SVR),修正频域响应幅值,得到腔体目标的屏蔽效能.本文采用了3种不同结构的腔体对提出的方法进行了验证,频率范围为0.1~3 GHz.以商业软件仿真得到的结果为标准,本文提出的方法可以在85%的置信度条件下,实现均方根误差小于3,同时计算速度相比商业软件提升80倍以上.

典型喀斯特流域介质结构的降雨-径流机制研究——以黔中地区为例

[目的]探究喀斯特流域介质结构的降雨—径流机制,为合理利用黔中地区水资源及防洪防旱等方面提供理论参考。[方法]选黔中20个典型流域为研究样区,分析流域降雨、径流时空分布特征,利用支持向量回归(SVR)开展多尺度降雨—径流模拟,采用Spearman方法分析流域介质结构的降雨—径流机制。[结果](1)黔中1979—2021年降雨呈缓慢上升趋势(5.02 mm/a),径流呈缓慢下降趋势(-0.17亿m^(3)/a),两者在空间上总体分布不均匀;(2)通过径向基核函数(RBF)训练的SVR相对准确,模拟精度:秋季>冬季>春季>全年>夏季;(3)单因素单因子影响:非喀斯特(0.764)>低活性强酸土(0.566)>峰林地貌型(0.459)>草丛(0.456)>连续性白云岩喀斯特(-0.435)>栽培植被(-0.426);(4)单因素耦合影响:土层覆盖结构(0.714)>地貌组合结构(-0.529)>岩石组成结构(-0.446)>植被分布结构(0.323),多因素耦合影响:234(-0.702)>1234(-0.679)>23(0.607)>34(-0.604)>24(-0.547)>134(-0.544)>13(0.507)。[结论]SVR适用于黔中地区降雨—径流过程的模拟,流域介质结构对降雨—径流影响较大。

适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明:四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.

5G信道状态信息信号质量及指纹定位性能分析

5G信道状态信息(channel state information,CSI)具有丰富的特征信息,是一种理想的指纹定位信号,但信号质量易受环境干扰,对定位性能影响较大.为了分析不同因素对5G信号质量和定位性能的影响程度,本文首先阐述了5G信号特征和基于支持向量回归(support vector regression,SVR)的定位算法,分析了数据采集时终端的高度、方向、人体遮挡等因素对信号质量的影响,测试了廊厅、小办公室和中型会议室三种场景下的定位性能.结果表明:5G信号质量受周围环境影响较大,在干扰较小的情况下,基于5G CSI的位置指纹定位算法在三种场景下的定位精度分别为0.93 m、1.46 m和1.94 m,能够满足大多数室内定位应用需求.

基于ISSA-SVR算法的近海典型水质参数遥感反演

化学需氧量(COD)和叶绿素a (Chl-a)浓度作为与光谱相关的典型水质参数,是反映水体污染程度和富营养化程度的重要指标。支持向量回归模型(Support Vector Regression,SVR)适用于小样本,广泛用于近海典型水质参数的遥感反演,但也存在模型参数选择困难、容易陷入局部最优解的问题。针对这一问题,本文构建融合反向学习和模拟退火的改进麻雀算法(Improved Sparrow Search Algorithm,ISSA),通过改进麻雀算法对SVR模型的惩罚系数和核函数参数进行参数寻优,提出了一种改进的支持向量回归模型(ISSA-SVR)。通过该模型利用实测水面光谱与水质参数数据建立COD和Chl-a浓度反演模型。利用Sentinel-2卫星遥感光谱数据对模型的精度进行验证,得到各水质参数浓度的反演精度。采用ISSA算法优化SVR建立的COD浓度预测模型和Chl-a浓度预测模型的平均相对误差(MRE)分别为20.02%和30.17%。反演结果均优于其他模型(线性回归、SVR和SSA-SVR模型)。实验结果证实,ISSA-SVR算法是实现COD浓度和Chl-a浓度遥感反演的有效方法,可为我国近海典型水质参数遥感反演及后续水体科学管理提供参考。

基于IPSO-SVR的反导装备体系效能评估方法研究

鉴于反导装备体系运行机理复杂、结构不清难以选择合适的效能评估模型等问题,采用“数据驱动+深度学习”的方法对反导装备体系效能评估展开研究。结合反导装备体系作战过程,从探测跟踪、指挥控制、火力拦截和综合保障4个方面构建了反导装备体系效能评估指标;针对PSO算法容易陷入局部极值、早熟收敛等问题,提出改进型粒子群优化算法,对SVR参数进行优化,建立了IPSO-SVR效能评估模型;在大量反导装备体系实验数据抽取、处理、分析的基础上,对IPSO-SVR模型进行训练和学习,以此获得对反导装备体系效能的非线性拟合。实验结果表明:所提效能评估方法期望输出和实际输出之间误差非常小,拟合精准度高,具有较高的可靠性和可行性。

航空器孔探人员脑力负荷预测

孔探检测是航空器维修中最重要的检测项目,在孔探检测过程中人员脑力状态与检测质量好坏直接相关,在高脑力负荷状态下常常会诱发检测人员出现错检、忘检、漏检等安全风险,从而造成维修差错。为解决NASA-TLX等主观量表测量脑力负荷的非即时问题,因此通过眼动仪无接触实时的测量孔探人员在不同脑力负荷状态下的眼动数据,再利用单因素方差分析来寻找到构建脑力负荷状态预测模型的关键眼动指标。此外由于眼动指标与脑力负荷存在非线性关系,因此选用支持向量回归机SVR来构建脑力负荷预测模型,并使用GASA算法来对SVR参数进行寻优,获得了具有足够精度和泛化能力的孔探人员脑力负荷预测模型,从而帮助飞机维修单位实时把握孔探人员状态,降低孔探检测中人为差错导致的风险,同时为民航局制定相应的孔探人员管理规定提供依据。

基于改进NGO算法的煤体应力反演

大直径钻孔卸压是防治煤矿冲击地压的有效手段之一,研究钻进过程煤体应力的变化情况对防止冲击地压有重要意义。目前关于钻进参数与煤体应力的关系模型研究较少且精度有限,对此提出一种基于北方苍鹰优化算法(northern goshawk optimization,NGO)与支持向量回归(support vector regression,SVR)的PSO-NGO-SVR煤体应力反演模型。首先,该模型在NGO种群初始化阶段引入Tent混沌映射,并将粒子群算法(particle swarm optimization,PSO)的优势融入到北方苍鹰算法中,使改进后的北方苍鹰算法拥有更好的性能;接着,使用改进后的北方苍鹰算法对支持向量回归中的超参数迭代寻优;最后,以迭代后的最优超参数建立模型。结果表明:改进后北方苍鹰算法的敛速度和收敛精度有较大提升,PSO-NGO-SVR煤体应力反演模型拥有较高精度。

红枣期货价格预测方法比较研究

红枣干果期货交易对稳定国内、尤其是新疆南疆的红枣干果价格发挥了重要的积极作用。开展红枣期货价格预测方法研究,有助于红枣产业利益相关者更好地组织生产、加工和投资管理。本研究采用3种价格预测模型对比分析了不同方法在红枣期货价格预测方面的综合性能差异,包括长短期记忆(LSTM)神经网络模型、支持向量回归(SVR)模型和误差反向传播(BP)神经网络模型。试验结果表明,LSTM价格预测模型在预测精度方面与SVR模型相比,均方根误差(RMSE)值降低了17.4%、平均绝对百分误差(MAPE)值降低了25%;与BP模型相比,RMSE值降低了12.8%、MAPE值降低了33.3%;在年度价格预测方面,LSTM模型取得了更佳的性能表现,尤其在提前5日预测红枣期货价格变动趋势时优势明显。基于LSTM的红枣干果价格预测模型可对红枣期货价格预测发挥辅助决策作用。

基于分解重构的欧盟碳排放权市场波动率预测研究——新冠疫情、俄乌冲突背景下

碳排放权交易系统受多种因素影响具有强非线性、强波动性等特点,碳排放权收益波动率的预测极具挑战性。近年来突发的新冠疫情和俄乌冲突对碳市场带来了前所未有的冲击。以GARCH(1,1)波动率作为欧盟碳排放权的“真实”波动率,针对近几年动荡不安的碳市场,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)、支持向量回归(SVR)、长短时记忆神经网络(LSTM)的波动率复合预测模型,即CEEMDAN-SE-SVR/LSTM/LSTM。该模型通过CEEMDAN和SE捕捉碳排放权波动率不同时间尺度上的特征,利用传统机器学习SVR在小样本上的鲁棒性以及深度学习LSTM模型长记忆特征对波动率实现精准预测。以近期欧盟EUA期货数据为样本进行了实证分析,结果表明,CEEMDAN-SE-SVR/LSTM/LSTM模型预测精度和鲁棒性优于其它参考模型。