基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

基于ACO-SVR的混凝土坝变形监控模型

近年来,支持向量机(SVM)在建立大坝安全监控模型中得到了广泛应用,但其拟合精度和泛化能力取决于模型核参数σ和惩罚因子C的选取。以最小k-fold交叉验证误差为目标,用蚁群路径优化选择的节点值体现,并选择支持向量回归机中的核参数σ和惩罚因子C。以此建立了基于蚁群算法优化支持向量回归机(ACO-SVR)的混凝土坝变形监控模型。通过工程案例研究,结果表明:该方法在参数优化方面具有较快的寻优速率,用于混凝土坝变形监控的建模研究精度较高,具有广泛的适用性。     

基于MSCPSO混合核SVM参数优化的生菜品质检测

核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化（MSCPSO）混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

基于支持向量机的水稻净光合速率预测模型

利用线性核函数、多项式核函数、径向基核函数和S型核函数,通过粒子群算法优化支持向量机中的惩罚参数c和gamma值,使用主成分分析对影响水稻净光合速率的影响因子进行特征提取,建立水稻净光合速率的支持向量机预测模型。试验结果表明,通过粒子群算法设定惩罚参数c为10,gamma值为0.904,通过训练集的训练,得到P_RBF预测模型,其对水稻净光合速率的预测效果最佳,预测精度达83%以上。     

基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型

甘蔗收获机切割器刀盘振动是影响甘蔗宿根切割质量的一个关键因素,因此寻找复杂因素对刀盘轴向振动的影响规律并实现对刀盘振动的预测与控制有着至关重要的作用。为解决传统预测方法精度低、参数选取盲目等问题,提出一种基于蜻蜓算法的甘蔗收获机刀盘振动支持向量机预测模型。该方法利用蜻蜓群体寻优的过程实现对支持向量机参数的优化,并将优化后的支持向量机对刀盘振动进行预测。通过Mat Lab进行20次仿真实验,并与BP神经网络预测模型和传统支持向量机预测模型的预测结果进行比较,实验数据表明:基于蜻蜓算法的支持向量机预测模型具有更高的预测精度和泛化能力。结果显示:基于蜻蜓算法优化的支持向量机对刀盘振动预测的拟合率达到了99.99%,有效提高了甘蔗收获机刀盘振动的预测精度,从而表明基于蜻蜓算法优化的支持向量机预测模型对实现甘蔗收获机刀盘振动预测的有效性,为后续甘蔗收获机宿根切割质量的智能化预测及实现对甘蔗收获机减振的结构优化设计提供了有效依据。     

基于机器学习的排涝闸站雨后水位预测

【目的】精准预测排涝闸站雨后水位。【方法】在分析为期1a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站（习家口站、田关站）为期10 a(2010—2020年)的历史水情资料,利用2种机器学习算法（支持向量机回归算法、回归树算法）对排涝闸站的雨后水位进行预测分析。【结果】支持向量机回归算法和回归树算法均较好地预测了习家口站和田关站的雨后最高闸上水位,R2基本大于0.80;2种机器学习算法在习家口站的表现均优于田关站,核函数的选取对支持向量机回归算法的预测结果有一定影响,线性核函数表现较为稳定。回归树算法的效果略优于支持向量机回归算法。【结论】基于闸上水位、降水量、降水时间、泵站排水流量预测雨后最高闸上水位是可行的。不同闸站应分开进行训练,并寻找最优的机器学习算法,未来有必要结合降水预报数据实现农田涝灾情况的实时预报。     

LS-SVM在径流预测中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的径流预测方法。采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立了精度较高的径流预测模型。预测实例表明,LS-SVM模型预测的平均相对误差比支持向量机 (SVM)减少了2.4％,预测合格率为100％。LS-SVM建模速度快,适用于小样本情况并能得到全局最优解,将其用于径流预测是可行的。     

基于CT图像的苹果苦痘病与磕碰伤识别

对苦痘病进行持续、准确、量化的无损检测,以及育种专家对新品种苹果的抗苦痘病表型研究,都需要苦痘病准确识别技术的支持。针对磕碰伤对苦痘病识别产生干扰,降低了识别准确率问题,基于苹果CT图像,提出了一种苹果苦痘病和磕碰伤识别方法。首先,采用最大类间方差法、区域标记、中值滤波等方法,对337帧苹果CT图像进行图像分割和伤病区域定位;其次,对伤病区域进行特征提取,提取其形状特征、纹理特征和位置特征共18种特征信息;然后,利用多元逐步回归和类距离可分离性判据2种方法分别选取特征信息,将2种方法选出的相同特征作为本文的选用特征信息;最后,分别使用遗传算法优化的支持向量机和默认参数的支持向量机,对苹果苦痘病和磕碰伤进行识别。识别结果表明,经过遗传算法优化的支持向量机的总体识别准确率高于93%,默认参数的支持向量机算法的总体识别准确率高于84%。遗传算法优化后的支持向量机的识别准确率明显优于默认参数的支持向量机的识别准确率。     

基于支持向量机的面板堆石坝堆石料参数反演分析

在综合分析了各种参数反演方法的基础上,提出了支持向量机的堆石料参数反演方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的堆石料参数反演模型。以大量的实测数据作为学习样本和测试样本,验证基于支持向量机的参数反演分析方法及其可行性。研究表明,用支持向量机方法来反演堆石料参数是可行的。     

支持向量机多分类模型的洪水分类

尝试使用支持向量机多分类模型在洪水分类中的应用,以长江流域宜昌站为研究对象,采用历史文献中的相关数据,验证了支持向量机的多分类法应用于洪水分类的可行性。由于受数据资料的限制,样本数据选取对测试数据分类结果的影响作了探索性分析,如何优化样本数据的选择有待做进一步的深入研究。     

基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法

为克服传统遗传算法易陷入局部最优,收敛速度慢的问题,提出基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法。采用混沌算法优化自适应遗传算法的初始种群,利用自适应遗传进化和变尺度混沌优化对LSSVM的参数进行循环优化,直至遗传算法达到最大进化代数,建立基于变尺度混沌遗传最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于自适应遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更好的预测精度。     

基于PSO-LSSVM算法的阶梯式溢洪道复氧率预测

最近,机器学习方法逐渐在水利工程中得到广泛运用。研究将采用最小二乘支持向量机(LSSVM)方法,建立阶梯式溢洪道各种流态下复氧率的预测模型。采用粒子群优化算法(PSO)优化了LSSVM算法的参数(惩罚函数γ和核函数常数σ~2),新的PSO-LSSVM模型预测精度相对于常用的BP模型明显提高。误差分析表明,在测试集上PSO-LSSVM模型的平均绝对百分比误差MAPE、均方差RMSE和平方相关系数R~2分别为1.100 0×10~(-3), 4.899 6×10~(-4)和9.998 6×10~(-1)。最后,采用平均影响值法评价了输入参数对复氧率的影响程度。     

基于支持向量机模型的水质评价研究

将支持向量机方法应用到水质评价中,建立了RBF核函数支持向量机评价模型。根据石头口门水库水质特征,选择溶解氧、化学需氧量、高锰酸盐指数等五项指标作为输入因子进行评价,并与综合水质评价法、模糊综合评价法比较。研究结果表明石头口门水库主要为Ⅱ类和Ⅲ类水,呈汛期较差、非汛期较好的变化规律。通过实例验证,说明支持向量机方法能够较好的解决分类评价问题,评价结果良好,符合客观事实,具有很好的研究价值和推广前景。     

基于GA优化AR-LSSVR组合模型在区域降雨量预测中的应用研究

为了提高地区降雨量的预测精度,提出遗传算法优化的时间序列最小二乘支持向量机回归组合模型。首先利用时间序列分析法对858农场年降雨量数据进行拟合,其次对拟合后实际数据与拟合数据产生的绝对误差运用最小二乘支持向量机进行训练,较好地解决了小样本、高维数、非线性和局部极小问题,同时避开了传统的网格搜索法在大范围内寻找参数费时等缺点,采用遗传算法寻找最佳的惩罚参数c和核函数参数g,训练结果与实际测量值接近,预测精度较高,并对未来3a的降雨量进行了预测,为858农场未来水资源规划、合理制定灌溉制度、抗旱防涝提供了重要的科学依据。     

小麦腥黑穗病害的模式识别诊断方法研究

针对小麦腥黑穗病害的形状和纹理特征选取了最有利于病害分类的6个特征参数,并分别利用最小距离法、BP神经网络和支持向量机3种模式识别方法实现了对小麦腥黑穗病害的诊断研究。对包括小麦网腥黑穗病、小麦印度腥黑穗病以及小麦矮腥黑穗病共48个孢子病害图像进行了分类诊断实验。实验表明,支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,当核函数是Sigmoid时,支持向量机法性能最优,总体识别率达到93.9%。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

基于颜色特征和支持向量机的黄瓜叶部病害识别

针对黄瓜常见叶部病斑图像的颜色特点,提出了将支持向量机(Support Vector Machine,SVM)应用于黄瓜叶部病害识别中。首先,选择HSI颜色系统作为图像特征提取的颜色空间,以减少光照强度对获取图像时的影响;然后,利用支持向量机进行叶部病害的识别。不同核函数的结果比较分析表明:径向基核函数对黄瓜叶部病害的识别率最高,最适于黄瓜霜霉病、角斑病和白粉病的分类识别;支持向量机识别方法在病害识别时训练样本少,具有很好的分类性能和泛化能力。     

混沌遗传最小二乘支持向量机法预测日用水量

利用混沌运动的初值敏感性、内在随机性和遍历性的特点,提出基于混沌遗传算法和最小二乘支持向量机的城市日用水量预测法。通过混沌映射搜索自适应遗传算法的较优初始种群,采用自适应遗传算法优化最小二乘支持向量机的超参数,利用交叉验证法确定遗传算法个体的适应值,建立基于最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更高的预测精度。     

光合有效辐射预测模型的核函数组合优化

以林下参种植基地光合有效辐射( PAR)、散射辐射(PFDdif)和直射辐射(PFDdir)为研究对象,以支持向量机linear核函数(k1)、polynomial核函数(k2)、radial basis function核函数(k3)为基础,构建新核函数.使用K-fold交叉验证方法,利用粒子群算法(PSO)对惩罚参数c和g值优化.试验结果表明,利用grid search算法设定惩罚参数c为16和g值为1时,通过比较相关系数及符合拟合均衡原则下,选出以0.2k1+0.8k2核函数而构建的光合有效辐射预测模型效果最佳,对由PAR、PFDdir和PFDdif数据组成的预测集1和预测集2拟合程度分别为89.213 2％和81.789 6％.利用粒子群算法对惩罚参数c和g值优化后,预测模型对预测集1拟合程度达到92.156 0％,对预测集2拟合程度达到90.036 0％.可见,采用0.2k1+0.8k2核函数和PSO的支持向量机预测模型对PAR具备预测能力.