改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机(least squares support vector machine,LSSVM)参数难以确定的问题,提出一种改进人工蜂群(improved artificial bee colony,IABC)算法优化的最小二乘支持向量机。首先,在标准人工蜂群(artificial bee colony,ABC)算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ~2进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法--粒子群优化(particle swarm optimization,PSO)算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。

基于IABC优化的LSSVM大坝变形预测模型研究

大坝作为一种重要的基础设施,在社会、经济发展过程中发挥着重要作用,一旦发生事故,将对下游人民的生命财产造成巨大损失。因此,对大坝行为趋势的分析和预估是至关重要的。变形作为大坝结构性态最直观的指标,选取高效的分析模型对其进行建模、分析,是大坝安全评价系统的重要课题之一。传统的大坝变形分析方法主要分为3大类——确定性模型、统计模型以及混合模型。这3种模型的缺点主要是建模难、精度不能满足要求等。为此一些学者将机器学习(ML)相关算法引入大坝变形分析领域,如人工神经网络、支持向量机、极限学习机等方法。以往ML方法主要针对影响大坝变形的环境因素(如水压、温度和时效等)进行多变量建模,从而构建变形预测模型。然而实际工程中,大坝变形监测数据的波动性往往较强,模型的输入变量不能很好地捕捉变形的变化趋势,造成了模型预测精度不足。如何降低原始变形数据的波动性,是从本质上提高变形预测精度的关键。大坝变形预测模型可为大坝安全使用提供科学决策依据,具有重要的理论和实践价值。文章以辽宁省观音阁水库坝顶部位的T14监测点的竖向位移数据为依据,对大坝变形预测模型展开研究,提出IABC-LSSVM变形预测模型。模型的对比评价结果显示该模型具有精度更高、稳定性更强的特点,可以用于大坝安全监测。