基于特征变量与支持向量机回归克里格(SVRK)法的湿地土壤有机质空间变异特征分析

选取有效变量与适宜方法有助于揭示河口湿地土壤有机质的空间分异特征,对维护湿地生态平衡和全球碳循环具有重要作用。以福州市闽江河口湿地为研究区,采用逐步回归分析(SLR)与主成分分析(PCA)法筛选显著的特征变量,运用支持向量机回归克里格(SVRK)法分析了湿地土壤有机质的空间异质性,并与神经网络克里格(BPNNK)法、回归克里格(RK)法进行了比较。结果表明:通过SLR和PCA分析发现,归一化植被指数(NDVI)、比值植被指数(RVI)、土壤水分指数(PDI)、汇流累积量(FA)及沉积物移动指数(STI)与土壤有机质含量关系密切,其判定系数R2为0.446,显著性概率值P<0.0001,可转换为3个独立的特征变量用于模型的预测。研究区土壤有机质的空间变异主要受结构性因素影响,呈现出“北低南高”的空间格局,采用SVRK模型的预测精度更高,能较好地体现河口湿地土壤有机质的空间异质特征。该研究可为同类区域的土壤有机质空间特征研究提供方法支撑。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

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。

粒子群算法优化支持向量回归的民机客舱座椅舒适度评价预测

为建立民机客舱座椅舒适度主客观评价之间复杂非线性的评价预测模型,同时提高模型的预测精度,本文将支持向量回归(Support vector regression,SVR)中的惩罚参数C、通道控制参数ε以及核函数参数σ作为优化目标,利用粒子群算法(Particle swarm optimization,PSO)寻找全局最优参数,建立PSO-SVR人-民机客舱座椅舒适度评价预测模型,并对预测结果进行对比分析。分析结果表明:与BP神经网络(Back propagation,BP)模型相比,支持向量回归模型具有良好的鲁棒性;与SVR模型相比,PSO-SVR模型预测精度更高,误差波动小,预测结果均方误差(MSE)降低了85.95%,决定系数(R2)提高了15.42%。因此粒子群算法可以有效提高支持向量回归模型的预测精度和泛化能力。

支持向量机回归算法的唐山市降水量空间插值研究

针对传统插值方法在处理小样本和非线性问题上的不足,运用支持向量机回归(SVR)算法对唐山市降水量进行空间插值研究,提出了SVR算法的解决方案,以提高降水预测的准确性。通过收集2020年唐山市32个气象站点观测数据,提取经度、纬度、经纬度乘积、海拔、坡度、坡向和GPM等参数作为特征变量,并利用SVR算法建立降水量空间插值模型。研究结果表明,SVR在解决小样本和非线性问题上具有显著优势,能够有效分析多维变量对降水量分布的影响;验证显示其插值精度R2为0.79, MAE和RMSE分别为33.57mm、39.29mm,该精度在可接受范围内。通过SVR插值法生成精确的降水量分布式信息,可为唐山市旱涝减灾、水资源利用及生态保护提供科学数据支持。

一种基于支持向量机回归的制氧系统寿命预估方法

随着我国老龄化程度的加深及后疫情时代大背景下国内医疗系统市场规模的不断扩大,制氧系统行业的发展进入快速扩容阶段。同时,制氧系统突发故障对吸氧人群生命与心理造成不可逆损伤的问题接踵而至。制氧行业迫切需要一种针对制氧系统寿命的预估方法,以解决制氧系统突发故障影响吸氧人群生命与财产安全的问题。该研究提出一种基于支持向量机回归(SVR)的制氧系统寿命预估方法。首先,基于SVR原理建立一种寿命预估模型,通过对某制氧系统3500h的氧浓度监测数据进行SVR训练,得到制氧系统的寿命预估模型。然后,规律选取300组氧浓度数据分别进行训练集预测和预测集预测,结果显示,该预测模型的准确性较高,且模型对预测集样本的预测结果与氧浓度监测的真实值基本保持一致。最后,对该制氧系统的吸附塔进行拆机验证,发现分子筛确有失效现象,经实际测量失效程度为6%,表明该模型可应用于制氧系统的寿命预估,并取得了良好的结果。因此,基于SVR的制氧系统寿命预估方法可以准确、有效地预估制氧系统的使用寿命,避免其突发故障,同时也为后续制氧系统的寿命预估方法提供了思路。

基于支持向量机回归算法的盾构下穿市政管线参数优化研究

随着盾构法施工在我国城市地铁隧道建设的广泛应用,盾构施工将面临越来越复杂的施工场景,尤其是在城市生活区的施工中,将不可避免地穿越各类复杂的市政管线。以合肥某地铁盾构工程下穿市政管线为背景,通过建立数值模型,构建了基于支持向量机回归(SVMR)算法的机器学习模型,并通过优化算法反向求解得到了符合施工要求的盾构参数优化方案。研究结果表明,方法的有效性通过了数值模拟试验和工程实践的验证,能够基于已有的少量盾构参数,针对关键掘进参数如推力、刀盘转速等进行优化,并提出最优组合方案,以确保施工的安全与高效,可为类似工程提供参考。

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。

基于变量敏感度筛选的回归型支持向量机的数控机床热误差预测

随着机械制造行业的迅猛发展,对于数控机床的定位精度要求越来越高。为了提高机床定位精度,建立了基于变量敏感度筛选与回归型支持向量机(SVR)混合模型,并将其用于数控机床热误差预测方法。该方法基于对变量敏感度分析,筛选掉敏感度低的干扰自变量。本方法与基本SVR模型对数控机床热误差预测值进行对比,结果表明基本SVR受到敏感度低的干扰自变量影响,预测结果与实测热误差结果偏差较大;经过变量敏感度筛选之后的SVR混合模型预测值具有更高的准确度,验证了此模型的可行性。

基于Logistic回归和支持向量机的早发性结直肠癌风险预测模型

目的:通过Logis tic回归和支持向量机(SVM)探究早发性结直肠癌(EOCRC)和晚发性结直肠癌(LOCRC)的危险因素,建立针对不同年龄段人群的风险预测模型并比较预测效果。方法:选择2012—2022年诊断为结直肠癌患者,记录人口学特征、临床表现、既往史、家族史、生活方式、体格检查、实验室检查及病理诊断,分别建立风险预测模型,比较两模型的ROC曲线下面积(AUROC)、准确率、精确率、召回率、F1分数。结果:综合两模型结果,EOCRC风险与出现消化道出血、腹胀腹痛、大便习惯改变等临床表现、体重减轻、肿瘤标志物升高具有较强的正相关性,与婚姻状况、阑尾切除史、糖尿病史、血脂异常病史、结直肠癌家族史也存在较弱的正相关;LOCRC风险与婚姻状况、出现临床表现、体重减轻、血脂异常、肿瘤标志物升高具有较强的正相关性,与年龄、吸烟、阑尾切除史、结直肠癌家族史也存在一定的正相关性。两模型的AUROC、准确率、F1分数相差不大,但Logistic回归模型的精确率更高而SVM模型的召回率更高。结论:EOCRC和LOCRC的危险因素不完全相同,婚姻状况、吸烟、血脂异常、肿瘤家族史在EOCRC中的贡献低于在LOCRC中的贡献。相较Logistic回归,SVM能发现更多的结直肠癌危险因素,能尽可能多的找出结直肠癌的可能患者。

基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

为给小麦田间管理提供基础数据,利用高光谱指数实现了小麦冠层叶面积指数(LAI)值的估测。在21种高光谱指数中筛选出了与LAI值相关性最强的指数OSAVI,建立了小麦LAI值反演的最小二乘支持向量回归(LS-SVR)模型。分析表明,模型校正集决定系数(C-R2)与预测集决定系数(P-R2)分别达0.851与0.848,可实现小麦LAI值的精确反演,且对LAI值较高与较低的样本均具备良好的预测能力,可有效避免冠层郁闭度等因素对估测结果的影响。利用LS-SVR模型与OMIS影像实现了小麦LAI遥感专题图的制作,其填图结果与地面实测值拟合模型R2达0.774,RMSE仅为0.476,2组数据具有较高的相似度。结果表明:可利用高光谱指数实现小麦冠层LAI值信息的准确获取,且OSAVI系反演建模的优选指数,LS-SVR为建模的优选算法。该研究可为小麦等农作物的长势评估提供参考。

基于时变自回归模型与支持向量机的旋转机械故障诊断方法

旋转机械如电机振动信号普遍存在非平稳性,同时对于某台设备已有的故障样本往往非常有限的。针对这些问题,提出一种基于时变参数自回归模型和支持向量机相结合的旋转机械故障诊断方法。首先通过对振动信号建立TVAR模型,提取模型系数及残差的方差作为信号特征,然后利用SVM对信号进行分类,继而实现故障自动识别。转子实验台实验结果表明该文方法能够有效提取非平稳信号的特征,并能在较少训练样本的情况下获得较好的诊断结果。

自适应迭代最小二乘支持向量机回归算法

基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法.与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机.模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.

处理非线性分类和回归问题的一种新方法(I)——支持向量机方法简介

简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法———支持向量机 (SVM)方法 ;分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等 ,因此不同于现有的统计方法。从本质上看 ,它避开了从归纳到演绎的传统过程 ,实现了高效的从训练样本到预报样本的“转导推理”(transductiveinference) ,大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定 ,计算的复杂性取决于支持向量的数目 ,而不是样本空间的维数 ,这在某种意义上避免了“维数灾”。

基于支持向量机分类的回归方法

支持向量机(support vector machine,简称SVM)是一种基于结构风险最小化原理的分类技术,也是一种新的具有很好泛化性能的回归方法.提出了一种将回归问题转化为分类问题的新思想.这种方法具有一定的理论依据,与SVM回归算法相比,其优化问题几何意义清楚明确.

求解非半正定核Huber-支持向量回归机问题的序列最小最优化算法

序列最小最优化(SMO)算法是求解大型支持向量机(SVM)问题的有效算法.已有的算法都要求核函数是正定的或半正定的,从而使其应用受到限制.针对这种缺点,本文提出一种新的的SMO算法,可求解非半正定核Huber-SVR问题.提出的算法在保证收敛的前提下可使非半正定Huber-SVR能够达到比较理想的回归精度,因而具有一定的理论意义和实用价值.

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.

基于支持向量回归算法的汽轮机热耗率模型

利用支持向量回归算法,建立了汽轮机热耗率计算模型。介绍了支持向量回归算法的原理,对算法中的参数选择进行了探讨。对某300MW机组汽轮机热耗率计算进行了建模,并与RBF神经网络回归模型进行了比较。结果表明:基于支持向量回归算法的模型具有较强的泛化能力,适于在线应用。通过对输入参数添加随机扰动量分析表明,该模型比传统计算模型具有更好的稳定性,能更准确地计算汽轮机热耗率。

基于遗传算法的回归型支持向量机参数选择法

研究了遗传算法在回归型支持向量机参数选择中的应用:首先,分析了支持向量机的几个参数对其预报能力的影响,发现参数选取不当,会导致支持向量机出现过学习或欠学习现象;在此基础上提出利用遗传算法来解决回归型支持向量机的参数选择问题,模拟实验证明,该方法克服了传统参数选择方法存在的缺点,提高了支持向量机的预报精度。