SVR的树木生长过程建模及其参数优化研究

计算机树木模型可以广泛地应用于理解、预测和调控树木的生长和产量,在树木生长及生态系统等领域的研究中已经成为一种很重要的研究方法。采用支持向量回归对树木高度进行建模与预测,减小了样本数据量小造成的误差,克服了树木生长方程选择的困难。对支持向量机的参数采用遗传算法进行筛选,提高数据拟合精度。最后将预测结果与采用各类生长方程模型的预测结果进行比较,结果表明用支持向量机预测方法有较高的精度。     

基于Xfrog的树木建模及生长模拟

为探讨树木模型和生长动画的模拟,真实简单的模拟植物模型及其生长,对Xfrog植物模型生成软件进行研究。在客观分析树木建模及生长模拟难点的基础上,研究了Xfrog中表达树木拓扑结构的核心原理及其制作树木生长动画的基本方法;详细探讨了采用Xfrog进行树木建模和生长模拟的流程及其关键问题;并基于Xfrog实现了油松、侧柏、栓皮栎等多种北京山区的代表性树种的建模和生长模拟,取得了逼真的模拟效果。该法可用于树木几何模型及其生长动画的快速制作,并对研究树木模型表达和生长模拟具有借鉴意义。     

树木生长方程参数的估计

以树木生长的理论方程为基础,对树木生长方程的参数进行了研究,给出了树木生长方程参数的一种估计方法。     

基于SVR算法与BP神经网络的地震预测对比研究

针对地震诱发因素的多样性和难预测性,采用了支持向量机回归算法（Support Vecfor Regressive,SVR）,同时考虑多种因素,构建仿真模型,对震级进行了准确的预测。对比分析SVR和BP神经网络预测结果,证明了SVR预测结果速度更快、更准确、精确度更高。     

基于SVR的多维时间序列分析及其在农业科学中的应用

【目的】建立一种基于结构风险最小、既反映样本集动态特征又体现环境因子影响的高精度非线性多维时间序列预测方法。【方法】耦合支持向量机回归（SVR）和带受控项的自回归模型（CAR）,以留一法基于MSE最小原则实施模型定阶和变量筛选,以一步预测法检验新模型SVR-CAR的有效性,并通过强制汰选给出各保留变量对预测的相对重要性次序。【结果】3个农业科学实例验证表明,SVR-CAR在7种参比模型中预测精度最高,且可更精细地反映样本集的非线性动态特征,依各保留变量对预测的相对重要性次序及其动态变化可赋予保留变量部分解释能力。【结论】SVR-CAR是一种基于SVR并融合时间序列分析和回归分析的非线性多维时间序列分析方法,具结构风险最小、非线性、适于小样本,能有效克服过拟合、维数灾和局极小,非线性定阶和非线性筛选变量,自动选择核函数及其相应参数,泛化推广能力优异、预测精度高等诸多优点,在农业科学、生态学、经济学等领域有广泛应用前景。     

基于SVR的滑坡位移研究

滑坡位移具有非线性特征,针对单变量的时间序列,首先引入相空间重构理论,将其扩展到多维的相空间中。再结合数据挖掘中的机器学习算法——支持向量回归算法（SVR）建立预测模型,并对李家湾滑坡的水平位移进行预测。试验结果表明,该模型具有非常高的精度（均控制在94％以上）,可以充分的应用于滑坡灾害的预测和预报。     

天然红松树木生长特征与林分结构的研究

通过对树木生长规律和群落结构、动态过程的研究,提出了应用树木生长模型研究林分垂直结构与树木生长动态之间相互关系的新方法。预测了红松树木生长和形态的时空模式以及树木不同发育阶段影响生长主要因子的差异性。结果表明,天然红松生长和形态特征的形成是与其林隙更新途径密切相关的。在树龄160a以前主要为高生长时期,受林隙形成的垂直层次上的生境控制;树龄在160a以后为径生长时期,林木达到上层林冠,从营养生长转变为生殖生长,顶端开始结实,主干开始分叉,叶面积增大,形态呈平顶状。此阶段林木生长主要依赖于立地条件。     

整形修剪对园林绿化树木生长的影响

整形修剪是园林栽培过程中一项十分重要的养护管理措施。园林绿地中的树木形态、观赏效果、生长与开花结果、生长与衰老更新之间的矛盾等,都需要通过整形修剪来解决或调节。整形与修剪有两种意义：整形是指将植物体按人为意愿整理或盘曲成各种特定的形状与姿态,满足观赏方面的要求;修剪是指将树体器官某一部分疏删或短截,达到调节树木生长或更新复壮的目的。一般整形需要通过修剪来实现,生产上习惯将二者称为整形修剪。     

简论营造林密度对树木生长质量的影响

营造林是我国当前改善生态环境及提高造林效率的主要方式。在造林过程中,造林密度十分重要,能对林木的生长发育及质量产量造成重要影响,为此必须对造林密度慎重考虑。本文从确定造林密度的原则出发,对营造林密度与树木生长之间的相互关系做出简要分析,最后对营造林密度对树木生长的质量影响进行探讨。     

基于KPCA和PSO-SVM的木材干燥过程在线优化建模研究

针对木材干燥过程样本数据存在较多噪声的问题,采用核主成分分析方法对木材干燥数据进行预处理,然后利用粒子群优化的支持向量机建立木材干燥系统的在线预测模型,并进行在线预测。仿真研究表明,对数据预处理后,降维训练样本建立的木材干燥模型能够获得很好的预测精度,计算量小,速度快。在线模型能够实时反映系统当前状态,在线优化模型结构并预测系统下一步输出,实现了木材含水率特性变化的动态预测。模型输出误差小、泛化能力强,能够满足实际干燥过程在线预测控制的需要,具有良好的实际应用价值和工业前景。     

林地上下坡土壤的异质性及其对树木生长的影响

对东莞植物园三个生态公益林示范样地上、下坡土壤的理化性质进行分析,同时对树木在林地上、下坡的生长量进行测量。结果表明:三样地下坡的土壤理化性质总体水平都比上坡好,树木生长量也呈现出下坡大于上坡的趋势,但林地上、下坡土壤条件的差异对不同树种的影响程度不同,与树木本身的适应性有关。这对造林树种的垂直布局和造林抚育措施的实施有一定的指导意义。     

改进支持向量机对污水处理厂运行状况的故障诊断

针对污水处理厂运行时故障数据不平衡性和代价敏感等特点,构造风险泛函RWLOO(α)来改进支持向量机(Support vector machine,SVM);并用遗传算法(GA)对风险泛函求全局最优.在GA对RWLOO(α)寻优过程中,SVM的几个参数以及核函数同时进行最优化.结果表明:用改进的SVM对污水处理厂的故障数据进行分类时,比未经改进的SVM错分类率低16.5%.     

基于支持向量回归机的三维人脸建模方法研究

提出一种新的三维人脸建模方法,该方法首先运用双目立体视觉原理从不同角度获得人脸的两张照片,在一张照片上选定特征点,通过匹配在另一张照片上得到对应的特征点,然后从空间立体几何知识出发,根据两张照片上特征点的坐标以及拍摄时的参数,计算其三维坐标,利用支持向量回归机（SVR）对其进行回归预测建模,最后经纹理贴图,得到具有纹理特征的特定三维人脸模型。仿真实验结果表明,该方法获得的三维人脸模型较为逼真。     

基于遗传算法优化的支持向量机干旱预测模型

为了克服支持向量机参数人工选择的盲目性和依靠经验的缺陷,采用遗传算法优化支持向量机的C,g两个参数,实现支持向量机参数的优选,减少参数选择的工作量,并提高模型的预测精度。并将遗传算法优化的支持向量机模型应用到浑河流域干旱预测中,通过matlab编程建立该模型。以海城、大洼、辽阳、沈阳4个站的降雨量进行建模预测,结果表明:模型的预测值和真实值拟合度较高,模型的预测精度满足要求,说明该模型用于浑河流域的干旱预测具有可行性,为决策部门能及时有效地指导和部署抗旱工作、合理利用分配现有的水资源提供依据。     

基于GA-SVR的中长期径流预报

【目的】将遗传算法（GA）与支持向量机回归（SVR）2种算法结合,构建GA-SVR模型,并采用该模型对径流进行预报,为制定防洪抗旱与水资源调度方案提供依据。【方法】以陕西府谷县黄甫川水文站1979-2003年实测资料作为拟合样本,2004-2008年资料作为检验样本,选取降水量、蒸发量为输入量,径流为输出量,通过GA优化SVR的结构和参数,建立GA-SVR预报模型,进而进行径流预报,同时与基于误差反向传播算法的人工神经网络（BP-ANN）、投影寻踪回归（PPR）模型的预报结果进行对比分析。【结果】应用GA-SVR、BP-ANN、PPR 3个模型在径流拟合阶段的预报精度较检验阶段有所下降,但是预报精度均达到了乙级水平,其中以GA-SVR的预报精度最高,效果最好。【结论】GA-SVR模型实现了SVR参数自动化选取,较好地解决了高度非线性、小样本、过学习等问题,模型可行有效,为径流预报提供了一种新途径。     

分析造林密度对树木生长带来的影响因素

文章阐述了造林密度确定的原则,总结了造林密度在造林模式中的应用,以期为杨树的集约栽培提供参考。     

杉木人工林Sloboda树高生长模型及其最优拟合研究

本文将德国著名生物统计学家Ｂ．Ｓｌｏｂｏｄａ的树高生长模型应用于杉木人工林的优势高生长模型模拟中，并探讨其遗传算法最优拟合．模拟结果表明，用Ｓｌｏｂｏｄａ的树高生长方程拟合杉木人工林多形指数曲线能获得良好效果     

基于粒子群的支持向量机SVR冰情预报研究

[目的]研究基于粒子群算法优化支持向量机SVR的黄河宁蒙段封河、开河日期预报模型。[方法]采用相关分析和成因分析相结合的方法选取合适的冰情预报因子组合,并运用粒子群算优化方法确定最优参数构建预报模型,将其运用到黄河宁蒙段封开河日期预报中。[结果]该模型预报精度高、运行时间短,预报平均误差为3.51 d,平均运行时间为10.464 s,预报效果明显优于遗传算法优化的支持向量回归与反向传播式神经网络,能够较准确地对封开河日期做出预报。[结论]基于粒子群算法优化支持向量回归的方法可以用于冰情预报。     

基于支持向量回归机的油田生产预警模型研究

传统的油田开发动态生产预警采用独立性指标阈值判别方法,从而带来预警结果不准确、异常事件发生时报警而不是预警等问题。本课题提出一种油田生产预警模型,该方法将支持向量回归机（Support Vector Regression,SVR）用于油田生产预警中,通过分析历史生产动态数据,找到它们的变化规律,总结出生产异常警报形成模式,在油田异常事件的初期给出预警信号,提前分析处理潜在隐患,以便保证油田采收效率的稳定性。实验结果证明模型对于油田生产中发生的异常情况具有较高的预测准确性。     

基于支持向量机和神经网络的土壤水力学参数预测效果比较

在美国土壤水分物理性质数据库(UNSODA 2.0)的基础上,考虑土壤质地不分类和分类2种情况,分别构建了基于支持向量回归机(SVR)的土壤传递函数模型,比较了在土壤质地不分类和分类情况下预测土壤水力学参数(水分特征曲线和饱和导水率)的效果,并与建立在相同数据库上的基于神经网络的Rosetta模型的预测效果进行了比较.结果表明:土壤质地不分类的情况下,输入参数越多,基于SVR模型的预测效果越好;土壤质地分类情况下,基于SVM分类建模的预测结果普遍好于不分类情况.无论土壤质地是否分类,样本和输入参数相同的条件下,基于SVR的模型预测的效果都优于Rosetta模型.