基于支持向量機的砂土液化預測模型
格式:pdf
大小:377KB
頁數:6P
人氣 :69
3
基于支持向量機的砂土液化預測模型——分析了砂土液化的主要影響因素,建立了砂土液化的支持向量機預測模型。該模型能通過有限經驗數據的學習,建立砂土液化類型與其影響因素之間的非線性關系。運用所建立的模型對具體的砂土液化類型進行了評判,評判結果表明,...
基于最小二乘支持向量機的砂土液化預測方法
格式:pdf
大小:278KB
頁數:5P
基于最小二乘支持向量機的砂土液化預測方法——使用最小二乘支持向量機分類方法建立了兩個砂土液化預測模型,預測結果與野外實際情況全部相符,表明該分類方法用于預測砂土液化是可行的,且預測準確率高。
基于最小二乘支持向量機的砂土液化預測方法
格式:pdf
大小:243KB
頁數:4P
基于最小二乘支持向量機的砂土液化預測方法——使用最小二乘支持向量機分類方法建立了兩個砂土液化預測模型,預測結果與野外實際情況全部相符,表明該分類方法用于預測砂土液化是可行的,且預測準確率高。
基于支持向量機的建筑物沉降預測模型研究
格式:pdf
大小:514KB
頁數:3P
4.7
建立基于支持向量機的建筑物沉降預測模型,并將其應用于建筑物的沉降預測。與采用bp神經網絡的預測結果相比,支持向量機取得較好的預測結果。實例表明支持向量機在小樣本數據的預測上具有精度高、泛化能力強的特點,為建筑物的沉降預測提供一種新的方法。
基于支持向量機的室內轟燃預測模型研究
格式:pdf
大小:241KB
頁數:6P
4.7
為對室內轟燃進行準確預測,針對室內轟燃樣本的不足在一定程度上制約了其應用,為此運用svm技術構建室內轟燃預測的數學模型。在小樣本條件下,應用工具軟件libsvm進行仿真,并將svm模型預測結果和人工神經網絡預測結果進行對比。結果顯示,svm技術能較好地解決小樣本和模型預測精確度之間的矛盾,svm模型其預測精度及可行性高于神經網絡模型。實例表明,由于室內火災受多種因素影響,傳統的預測方法存在一定的局限性,而svm模型預測法預測的結果與試驗結果比較一致。
基于徑向基函數神經網絡模型的砂土液化概率判別方法
格式:pdf
大小:404KB
頁數:5P
3
基于徑向基函數神經網絡模型的砂土液化概率判別方法——以國內外25次大地震中的344組場地液化實測資料為基礎,通過徑向基函數神經網絡模型的訓練和檢驗,分析了修正標準貫入擊數與飽和砂土抗液化強度之間的非線性關系,建立了飽和砂土液化極限狀態曲線或抗液化...
基于支持向量機的機械系統狀態組合預測模型研究
格式:pdf
大小:642KB
頁數:4P
4.7
提出了一種新的支持向量機(supportvectormachines,svm)機械系統狀態組合預測模型。應用fpe(finalprincipleerror)準則優化樣本的維數,采用時域內的振動烈度和頻域內的特征頻率分量作為預測機械系統狀態的敏感因子,構建了預測模型。支持向量機采用新型的結構風險最優化準則,預測能力強、魯棒性好。采用徑向基函數和ε損失函數,將該模型應用于實驗臺和旋轉注水機組的狀態預測,取得了較好的效果。這表明利用支持向量機的組合預測模型,可以降低設備維修代價,提高設備的安全性和可靠性。
基于支持向量機的建筑物采動損害預測模型
格式:pdf
大小:138KB
頁數:5P
4.7
為了科學預測與評估煤礦采動引起的建筑物采動損害程度,在系統分析建筑物采動損害影響因素的基礎上,基于支持向量機理論,利用礦區典型建筑物采動損害案例,首次建立了煤礦開采影響下建筑物采動損害程度的支持向量機預測模型,并測試了該模型的可行性和可靠性.研究成果可為建筑物采動損害預測提供一條新的技術途徑.
文輯推薦
知識推薦
百科推薦
職位:房建工程標準員
擅長專業:土建 安裝 裝飾 市政 園林