基于优化多维支持向量机回归模型的土体参数反演

针对如何有效提高位移监测数据反演土体参数精度的问题,提出一种基于麻雀搜索算法优化多维支持向量机回归模型的土体参数反演方法。依托黄土区超深路堑边坡工程项目,采用有限差分软件FLAC3D建立边坡二维模型,并利用正交试验进行土体参数的多因素敏感性分析以确定待反演参数。然后建立符合实际开挖情况的边坡三维开挖模型,计算不同反演参数下的模拟位移值以获得训练数据。利用麻雀搜索算法获得多维支持向量机回归模型的最优参数从而构建SSA-MSVR模型,使用训练数据训练优化模型。最后,将实际监测位移代入训练好的模型求得土体最优反演参数并分析验证反演参数的正确性。结果表明:影响边坡稳定性系数的土体参数敏感性排序前4位为老黄土的内摩擦角、红黏土的内摩擦角、老黄土的黏聚力和老黄土的弹性模量,确定了这4个参数为待反演参数;超深路堑边坡开挖完成后,边坡顶部产生沉降位移,而底部出现卸荷回弹现象;利用反演参数计算的位移模拟值与实际监测值相对误差均小于10%,证明SSA-MSVR模型应用于土体参数反演效果较好,为参数反演提供了新的思路和方法。

基于多维输出支持向量回归机的脑电源定位

脑电源定位是根据头皮观测电位进行逆问题计算的过程。文章把采用近似迭代变权最小二乘法方法的多维输出支持向量回归机应用到脑电源定位中。与单变量输出支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,计算工作量小,速度快。为了发现头皮电位和脑内部产生源的关系,选择使用了单个等效偶极子源和四层同心球头模型。实验结果表明,多维支持向量回归机方法在脑电源定位问题求解中具有运行速度快,鲁棒性好等特点。

基于回归预测的肺4D-CT多相位配准

针对由于灰度不均和局部形变较大引起的肺4D-CT图像配准精度不足问题,提出基于回归的逐块预测初始形变的方法。新方法的核心思想是:配准一幅浮动图像至参考图像时,利用与浮动图像相对应的不同相位的图像信息进行形变场预测。首先,利用已有配准算法配准不同相位的图像至参考图像,得到各图像对应的形变场;再将图像和对应形变场分块作为训练集,利用多维支持向量回归机建立回归模型;将浮动图像分块输入回归模型中,预测出初始形变场,从而得到中间图像,并最终细化配准中间图像与参考图像。采用由德克萨斯安德森肿瘤中心DIR实验室采集并公开的数据集,评价所提出的算法。实验量化评价结果表明,与传统的Active Demons算法、Spectral Log-Demons算法相比,图像的均方误差平方和显著降低(Active Demons算法49.34±23.92,Spectral LogDemons算法31.81±15.09,所提出算法18.97±5.75,P<0.05),相关系数显著提高(Active Demons算法0.952±0.022,Spectral Log-Demons算法0.967±0.015,所提出算法0.980±0.006,P<0.05)。同时,视觉评价结果显示,所提出算法能够获得更准确的配准图像。

多维输出SVR的ECT两相流图像重建方法

根据电容层析成像(ECT)中两相流识别问题的特点,提出基于多维输出支持向量回归机(MSVR)的图像重建算法。采用超球空间不敏感损失函数的MSVR是支持向量机理论的一个重要分支,它有效地克服了神经网络算法中的过学习问题,具有较强的泛化能力。近似迭代变权最小二乘法(IRWLS)在保证MSVR回归精度的基础上,有效地简化了其求解过程,可快速建立电容测量值与成像区域介电常数分布之间的非线性映射关系。对包含6种典型两相流流型的仿真数据进行实验。结果表明,该方法泛化能力强,图像重建精度高。

基于异常序列剔除的多变量时间序列结构化预测

针对传统多变量时间序列预测方法未考虑变量间依赖关系从而影响预测效果的问题,提出了一种基于异常序列剔除的多变量时间序列预测算法.该算法旨在利用多维支持向量回归机(Multi-dimensional support vector regression,M-SVR)内在的结构化输出特性,对选取到具有相似性的多个变量序列进行联合预测.首先,对已知序列进行基于模糊熵的层次聚类,实现对相似序列的初步划分;其次,求出类中所有序列的主曲线,根据序列到主曲线的距离计算各个序列的异常因子,从而进一步剔除聚类结果中的异常序列;最后,将选取到的相似变量序列作为输入,利用M-SVR进行预测.通过理论分析,证明本文算法在理论上存在信息损失上界与可靠度下界,从而说明本文算法的合理性与可行性.采用混沌时间序列数据与多个实际数据集进行对比实验,结果表明,与现有多个代表性方法相比,本文算法可有效挖掘多变量时间序列的内在结构信息,预测精度更高,数值稳定性更好.

一种端到端的织物颜色自动预测框架

鉴于传统的织物染料配方设计流程耗时耗力,提出一种端到端的机器学习框架,从染色工艺参数自动预测产品颜色出发,为染料配方工作提供精准的理论指导。理论上,该框架可由任意有监督回归模型实现。采用多维支持向量回归机(multi-dimensional support vector regressor,M-SVR)或反向传播神经网络(back propagation neural network,BPNN)对织物的颜色进行回归分析和预测,并提出用遗传算法(genetic algorithm,GA)优化神经网络参数初始值,从而提高网络的优化效率。从山东省华纺股份有限公司提供的真实生产资料中选取8种关键工艺参数和两种光照情形下的织物颜色CIELAB值,对模型进行训练和性能评估。结果表明:该框架最低预测误差可达0.48;在相同训练条件下,GA初始化的神经网络比随机初始化的网络耗时更少。由此可见,该框架有助于降低染料配方的误差,提高工作效率。