基于天牛须优化算法的相关向量机边坡稳定性分析

为了快速、准确地预测边坡稳定性,及时控制边坡危害,提出了一种基于天牛须(beetle antennae search,BAS)优化算法的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。基于RVM模型,建立了边坡影响因素与稳定性的非线性映射关系;采用BAS算法对RVM模型参数进行优化,提出了基于BAS算法的RVM边坡稳定性分析优化模型;并将该模型应用于京新高速公路的边坡稳定性分析。分析结果表明:与实际值相比,基于BAS-RVM模型的最大绝对值相对误差为3.90%;在相同学习样本下,与RVM模型、支持向量机(support vector machine,SVM)模型和径向基函数(radical basis function,RBF)模型的预测值相比,BAS-RVM模型预测结果的可信度和拟合度更好、精度更高,其平均绝对值误差(mean absolute error,EMA)、均方根误差(root mean square error,ERMS)、相对均方误差(relative root mean square error,ERRMS)远低于其他3种模型。

基于灰色相关向量机的故障预测模型

针对样本数据量较小条件下的故障预测问题,提出了一种灰色相关向量机(relevance vector ma-chine,RVM)故障预测模型。在模型的训练阶段,根据特征数据序列建立其离散灰色模型(discrete grey model,DGM),以DGM的预测值作为输入、原始数据序列作为输出,训练得到RVM回归预测模型;在模型的预测阶段,由建立的DGM和RVM回归预测模型组合得到灰色RVM故障预测模型,并通过引入新陈代谢过程,不断更新数据中的信息。实验结果表明,模型的预测性能优于传统的灰色预测模型。

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机(RVM)的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机(SVM)模型相比,RVM模型预测精度更高。

稀疏贝叶斯模型与相关向量机学习研究

虽然支持向量机在模式识别的相关领域得到了广泛应用,但它自身固有许多不足之处。相关向量机是在稀疏贝叶斯框架下提出的稀疏模型,模型没有规则化系数,核函数不要求满足Mercer条件。相关向量机不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。首先介绍了稀疏贝叶斯回归和分类模型,通过参数推断过程,将相关向量机学习转化为最大化边缘似然函数估计,并分析了3种估计方法,给出了快速序列稀疏贝叶斯学习算法流程。

软件可靠性预测的相关向量机模型

相关向量机是一种解决回归问题非常有效的方法,针对软件失效时间及其之前的m个失效时间数据使用相关向量机进行学习,以建立失效时间之间内在的依赖关系,由此构建新的基于相关向量机的软件可靠性预测模型.在4个数据集上的实验结果表明,新模型在预测能力上较之广泛使用的基于支持向量机或人工神经网络的软件可靠性预测模型有明显的提高,同时也表明现时失效数据的预测能力比很久之前观测的失效数据更强,最后通过实验对合理的m值及不同数据集上核函数参数取值进行研究.

基于相关向量机及模拟退火的损耗模型训练

为建立具有良好环境适应性的无线信号室内空间传播损耗模型,有效降低测距定位的误差,提出一种基于相关向量机结合模拟退火算法滤波进行室内传播损耗模型训练的算法。相关向量机选用高斯核函数来拟合样本,进行传播损耗模型训练;设计一种引入局部更新策略的模拟退火滤波算法优化相关向量机训练样本集,降低样本误差的影响。仿真结果验证了该算法的可行性及优越性,较好地满足了室内测距定位的精度要求。

组合核相关向量机的软件可靠性预测模型

可靠性作为衡量软件质量的一种重要特性,对软件管理具有重要的意义。针对单一核函数的缺陷,提出一种组合核函数相关向量机的软件可靠性预测模型。首先对当前软件可靠性研究现状进行分析,然后采用组合核函数相关向量机对训练集进行学习和建模,最后通过具体实例对模型的预测性能进行分析。结果表明,本模型获得了理想的软件可靠性预测结果,且其预测性能要优于单一核函数模型,在软件可靠性预测中有重要的应用价值。

地震震级预测的相关向量机模型

为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机(Relevance Vector Machine,RVM)方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。

再生保温混凝土抗压强度预测的相关向量机模型

再生保温混凝土作为一种新型绿色混凝土,对发展绿色循环经济和高效节能建筑具有重要意义。其抗压强度受多个因素影响,各因素之间存在着复杂的非线性关系。提出一种基于相关向量机的再生保温混凝土抗压强度预测模型,该模型通过对少量样本的学习,可以建立各影响因素与抗压强度的非线性映射关系,对仅知道影响因素的预测样本进行抗压强度值精准预测。将该模型应用于再生保温混凝土抗压强度实例并与BP神经网络模型对比,研究结果表明,该模型具有精度高、容易实现和离散性小等优点,为再生保温混凝土抗压强度预测提供了一条新途径。

基于相关向量机的网络通信负载状态识别模型

为了改善网络通信负载状态识别效果,提出一种基于相关向量机的网络通信负载状态识别模型.首先提取影响网络通信质量的参数,分析它们与负载状态间的联系;然后将无线传感器网络吞吐率作为负载状态识别的标准,采用相关向量机构建网络通信负载状态的分类器,实现网络通信负载状态的识别;最后采用具体数据对网络通信负载状态识别性能进行测试.测试结果表明,相关向量机可准确识别网络通信负载状态,且网络通信负载状态识别正确率高于其他模型.

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明:与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO)-BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。

基于相关向量机的城市货运量时间序列预测模型

为提升城市货运量时间序列预测精度,建立一种基于相关向量机(relevance vector machine,RVM)的城市货运量时序序列预测模型.结合RVM的建模与求解思想,建立城市货运量时间序列预测函数关系式;设计城市货运量时序参数预测模型实现流程,并选取均方根误差(RMSE)、模型训练时间等作为评价指标;以南京市全社会货运输(吞吐)量、公路货运总量、铁路货物发送量为例,验证模型的有效性.实例验证表明:模型对不同的城市货运量时间序列指标预测效果良好,预测精度高于灰色预测、自回归移动平均模型、支持向量机(SVM)等经典模型.

基于相关分析与最小二乘支持向量机的TE过程多模型建模

针对TE化工过程高度非线性、复杂性的特点,文章提出了一种基于相关分析和最小二乘支持向量机对TE过程进行多模型建模方法,以提高模型性能;首先对TE过程采用相关分析法划分为3个子系统,对每个子系统分别采用基于C-均值聚类的最小二乘支持向量机建模和基于K均值聚类的最小二乘支持向量机多模型建模;实验表明,基于K均值聚类的多模型建模能简化计算、提高模型精度、并且能更好的预测模型输出。

基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine,RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。

基于相关向量机模型的混凝土综合性能预测

为快速获取及评价混凝土的综合性能,选取影响混凝土综合性能的6个主要因素为输入数据,混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据,建立基于相关向量机(RVM)的混凝土综合性能预测模型,对14组学习样本进行拟合训练,并对其余5组预测样本进行预测。结果表明:在相同的样本条件下,与BP神经网络模型进行对比,RVM模型预测精度更高,离散性更小;同时,与实际值相比,RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差,进一步验证了RVM模型对混凝土综合性能预测的可靠性,具有较好的推广价值。

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效地预防边坡破坏灾害的发生。提出了一种基于相关向量机(relevance vector machine,RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机(support vector machine,SVM)模型、径向基函数(radical basis function,RBF)神经网络模型和RVM模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的3种预测指标值均是最小的。其中,平均绝对误差(mean absolute error,MAE)分别降低了86.02%和22.11%,均方根误差(root mean square error,RMSE)分别降低了72.05%和1.09%,相对均方误差(relative root mean square error,RRMSE)也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。

基于灰色相关向量机的变压器故障预测

为有效解决特征气体数据较少情况下故障预测精度不佳的问题,将灰色预测理论与相关向量机回归预测理论相结合,构建了一种基于灰色相关向量机的变压器故障预测方法。利用训练样本对灰色相关向量机进行训练,依据特征样本数据序列建立离散灰色模型,将离散灰色模型的预测值作为输入、原始样本数据序列作为输出,从而训练获得相关向量机预测模型。使用训练好的灰色相关向量机模型对测试样本进行预测并运用故障诊断方法进行故障判断。经过实例对比分析,所提出的方法预测精度明显优于BP及SVM预测方法,具有有效性与可行性。

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型.利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机.基于Spark并行化参数寻优算法,提高模型的训练效率.提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机(SPGAPSO-CKRVM).使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数:平均车速、路段饱和度和交通流密度.将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级.使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.

基于相关向量机模型的能见度测量

基于支持向量回归机的能见度测量模型虽然克服了已有基于图像测量能见度方法的局限性,提高了测量的灵活性,但是模型中参数较多,模型优化难度大。为此,引入相关向量机构建模型用于能见度的测量,该模型参数较少更易实现模型优化。分别运用相关向量机以及支持向量回归机构建图像对比度特征与能见度值之间的关系模型,进行能见度值的测量,实验结果表明:相关向量机模型测量性能更佳。

基于自适应进化相关向量机的盲矿预测模型

近年来,找盲矿法从原生晕叠加理论发展到构造叠加晕理论,显示高矿区的成矿过程具有多期、多阶段叠加的特征,这增加了盲矿信息源、提高了找矿预测精准度。同时,构造叠加晕法在盲矿预测模型建立过程中存在非线性、稀疏化及结果可靠性评价等难点问题亟待解决,本文结合相关向量机的优点,对盲矿预测的构造叠加晕法进行参数改进,提出一种新的基于自适应进化相关向量机的构造叠加晕盲矿预测模型,以期提高深部盲矿预测的准确性。