基于IPSO-SVM对尾矿坝变形预测的研究

发布时间：2021-10-14 12:09

　　针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机（IPSO-SVM）算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。 

【文章来源】：工业安全与环保. 2019,45(09)

【文章页数】：5 页

【文章目录】：
0 引言
1 支持向量回归机
2 粒子群算法概述
3 改进的粒子群优化支持向量机
    3.1 改进的粒子群算法
        3.1.1 对粒子速度与位置更新策略的改进
        3.1.2 对惯性权重搜索方法的改进
    3.2 IPSO优化SVM
4 实例分析
5 结论


【参考文献】：
期刊论文
[1]基于粒子群算法优化的模糊支持向量机的盾构隧道地质变形预测研究[J]. 朱宝.  长春师范大学学报. 2017(06)
[2]改进支持向量机在大坝变形预测中的应用研究[J]. 刘敏,郑上雄.  城市勘测. 2017(01)
[3]支持向量机模型在大坝变形预测中的应用[J]. 王紫蔚,陆希瑶,沈哲辉.  现代测绘. 2016(02)
[4]基于经验模态分解和支持向量机的大坝变形预测[J]. 任超,梁月吉,庞光锋,蓝岚.  水电能源科学. 2014(12)
[5]基于核主成分分析和粒子群优化支持向量机的滑坡位移预测[J]. 彭令,牛瑞卿,赵艳南,邓清禄.  武汉大学学报(信息科学版). 2013(02)
[6]基于粒子群优化的支持向量机在地表沉降预测中的应用[J]. 吕福祥,黄磊.  测绘信息与工程. 2010(02)
[7]改进粒子群优化神经网络及其在产品质量建模中的应用[J]. 王建国,阳建宏,云海滨,徐金梧.  北京科技大学学报. 2008(10)



本文编号：3436130