Application of support vector machines and relevance vector machines in predicting uniaxial compressive strength of volcanic rocks

2014 ◽  
Vol 100 ◽  
pp. 634-644 ◽  
Author(s):  
Nurcihan Ceryan
Keyword(s):  
Compressive Strength ◽  
Support Vector Machines ◽  
Uniaxial Compressive Strength ◽  
Volcanic Rocks ◽  
Support Vector ◽  
Relevance Vector Machines ◽  
Vector Machines

Modelling Concrete Strength Using Support Vector Machines

2013 ◽  
Vol 438-439 ◽  
pp. 170-173 ◽  
Author(s):  
Hai Ying Yang ◽  
Yi Feng Dong
Keyword(s):  
Compressive Strength ◽  
Support Vector Machines ◽  
Concrete Strength ◽  
Support Vector ◽  
Generalized Regression Neural Network ◽  
Data Sets ◽  
Risk Minimization ◽  
Minimization Principle ◽  
Vector Machines ◽  
Compressive Strength Of Concrete

Support vector machine (SVM) is a statistical learning theory based on a structural risk minimization principle that minimizes both error and weight terms. A SVM model is presented to predict compressive strength of concrete at 28 days in this paper. A total of 20 data sets were used to train, whereas the remaining 10 data sets were used to test the created model. Radial basis function based on support vector machines was used to model the compressive strength and results were compared with a generalized regression neural network approach. The results of this study showed that the SVM approach has the potential to be a practical tool for predicting compressive strength of concrete at 28 days.

A Self-Adaptive Fuzzy Inference Model Based on Least Squares SVM for Estimating Compressive Strength of Rubberized Concrete

2016 ◽  
Vol 15 (03) ◽  
pp. 603-619 ◽  
Author(s):  
Min-Yuan Cheng ◽  
Nhat-Duc Hoang
Keyword(s):  
Compressive Strength ◽  
Support Vector Machines ◽  
Least Squares ◽  
Fuzzy Inference ◽  
Support Vector ◽  
Rubberized Concrete ◽  
Inference Model ◽  
Adaptive Fuzzy ◽  
Vector Machines ◽  
Self Adaptive

This paper presents an AI approach named as self-Adaptive fuzzy least squares support vector machines inference model (SFLSIM) for predicting compressive strength of rubberized concrete. The SFLSIM consists of a fuzzification process for converting crisp input data into membership grades and an inference engine which is constructed based on least squares support vector machines (LS-SVM). Moreover, the proposed inference model integrates differential evolution (DE) to adaptively search for the most appropriate profiles of fuzzy membership functions (MFs) as well as the LS-SVM’s tuning parameters. In this study, 70 concrete mix samples are utilized to train and test the SFLSIM. According to experimental results, the SFLSIM can achieve a comparatively low MAPE which is less than 2%.

scholarly journals Διερεύνηση τεχνικών κατάτμησης εικόνας, υπολογιστικής νοημοσύνης και εμπείρων συστημάτων στην τηλεπισκόπηση

2014 ◽  
Author(s):  
Άγγελος Τζώτσος
Keyword(s):  
Support Vector Machines ◽  
Support Vector ◽  
Region Merging ◽  
Relevance Vector Machines ◽  
Vector Machines

Ο στόχος της παρούσας διατριβής ήταν η διερεύνηση και υλοποίηση καινοτόμων μεθόδων Όρασης Υπολογιστών και Υπολογιστικής Νοημοσύνης στα πλαίσια της μεθοδολογίας της Αντικειμενοστρεφούς Ανάλυσης Εικόνας (OBIA). Επίσης στόχος ήταν η ολοκλήρωση των μεθόδων αυτών με τεχνικές βασισμένες στη γνώση, δηλαδή με Έμπειρα Συστήματα. Η πρώτη συνεισφορά της διατριβής αφορούσε στην υλοποίηση ενός πολυκλιμακωτού αλγορίθμου κατάτμησης εικόνας, ο οποίος μπορεί να ενσωματωθεί σε μεθοδολογίες Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Ο αλγόριθμος που αναπτύχθηκε, ονομάστηκε MSEG και είναι ένας αλγόριθμος της κατηγορίας ένωσης περιοχών (region merging). Η δεύτερη συνεισφορά της διατριβής ήταν η διερεύνηση και υλοποίηση ενός πολυκλιμακωτου αλγορίθμου κατάτμησης εικόνας, βασισμένου σε αύξηση περιοχών, με την ολοκλήρωση προηγμένων τεχνικών υφής. Η τρίτη συνεισφορά της διατριβής ήταν η ολοκλήρωση ενός αλγορίθμου υπολογιστικής νοημοσύνης, των Μηχανών Διανυσματικής Υποστήριξης (Support Vector Machines) στα πλαίσια της Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Οι Μηχανές Διανυσματικής Υποστήριξης θεωρούνται μια άριστη μέθοδος υπολογιστικής μάθησης με εξαιρετικά αποτελέσματα στην Αναγνώριση Προτύπων. Ειδικά σε προβλήματα επιβλεπόμενης ταξινόμησης σε μεγάλους χώρους προτύπων, έχει αποδειχθεί ότι είναι μια από τις αποτελεσματικότερες μεθόδους με πολύ καλά αποτελέσματα. Σε αυτή τη διατριβή για πρώτη φορά υλοποιήθηκε Αντικειμενοστρεφής Ταξινόμηση Εικόνας μέσω της τεχνολογίας των Μηχανών Διανυσματικής Υποστήριξης με σκοπό την διερεύνηση της αποτελεσματικότητάς τους και της προοπτικής τους σαν μια μεθοδολογία αιχμής. Η τέταρτη συνεισφορά της διατριβής ήταν μια μεθοδολογία Αντικειμενοστρεφούς Ανάλυσης Εικόνας με ενσωμάτωση προηγμένων τεχνικών μη ισοτροπικής διάχυσης και φιλτραρισμάτων χώρου-κλίμακας. Τα φιλτραρίσματα χώρου-κλίμακας ενσωματώθηκαν στη διαδικασία κατάτμησης εικόνας βελτιώνοντας τα αποτελέσματα τόσο της κατάτμησης όσο και της μετέπειτα ταξινόμησης. Η πέμπτη συνεισφορά της διατριβής αφορούσε στην ολοκλήρωση προηγμένων τεχνικών ανίχνευσης ακμών στην διαδικασία κατάτμησης εικόνας για την υλοποίηση μεθοδολογίας Αντικειμενοστρεφούς Ανάλυσης Εικόνας. Ο συνδιασμός των μορφολογικών επιπεδοσυνόλων, της πολυκλιμακωτής κατάτμησης και της πληροφορίας ακμών της εικόνας έδωσε μια νέα υβριδική προσέγγιση στην κατάτμηση εικόνας. Η έκτη συνεισφορά της διατριβής αφορούσε την υλοποίηση Αντικειμενοστρεφούς Ταξινόμησης με μεθόδους που βρίσκονται στην αιχμή της επιστήμης της Υπολογιστικής Νοημοσύνης. Για πρώτη φορά προτάθηκε στην διατριβή αυτή η υλοποίηση αντικειμενοστρεφούς μεθόδου ταξινόμησης με βάση τις Μηχανές Διανυσμάτων Συνάφειας (Relevance Vector Machines). Τέλος η έβδομη συνεισφορά της διατριβής αφορούσε στην ολοκλήρωση της Αντικειμενοστρεφούς Ανάλυσης Εικόνας με συστήματα που βασίζονται στη γνώση. Στα πλαίσια αυτής της έρευνας, στόχος ήταν η διασύνδεση των προηγμένων μεθόδων Υπολογιστικής Νοημοσύνης με έμπειρα συστήματα που βασίζονται στη γνώση ώστε να διερευνηθεί και να αξιολογηθεί η χρησιμότητά τους σε εφαρμογές Τηλεπισκόπησης. Με βάση τις προηγούμενες μεθοδολογίες της διατριβής, χρησιμοποιήθηκε ο αλγόριθμος κατάτμησης εικόνας με βάση τις ακμές για την εξαγωγή πρωτογεννών αντικειμένων, ενώ μετά τον ορισμό του χώρου προτύπων από τον υπολογισμό χαρακτηριστικών των αντικειμένων, χρησιμοποιήθηκαν οι Μηχανές Διανυσμάτων Συνάφειας για την αρχική ταξινόμηση των αντικειμένων με βάση δείγματα εκπαίδευσης. Στην συνέχεια τα αποτελέσματα της κατάτμησης και της ταξινόμησης των αντικειμένων ενσωματώθηκαν σε μια χωρική βάση δεδομένων με τον μετασχηματισμό τους από εικονιστικά σε διανυσματικά δεδομένα και αποθηκεύοντας τα χαρακτηριστικά τους με τη μορφή πινάκων που ενσωματώνουν πληροφορία γεωμετρίας. Σε γενικές γραμμές η διατριβή είχε συνεισφόρα σε όλες τις διαδικασίες της Αντικειμενοστρεφούς Ανάλυσης Εικόνας και η ενσωμάτωση μεθόδων όρασης υπολογιστών, κατάτμησης εικόνας, υπολογιστικής νοημοσύνης και εμπείρων συστημάτων ολοκληρώνει τις δυνατότητες ενός σύγχρονου τηλεπισκοπικού συστήματος, προσδίδοντάς του πολλές δυνατότητες αυτοματοποίησης επίπονων διαδικασιών για τον φωτοερμηνευτή. Μελλοντικά, ανοίγονται οι ορίζοντες για χρήση της προτεινόμενης μεθοδολογίας σε πιο συγκεκριμένες εφαρμογές Τηλεπισκόπησης.

Applying Support Vector Machines in Rebound Hammer Test

2013 ◽  
Vol 853 ◽  
pp. 600-604 ◽  
Author(s):  
Yu Ren Wang ◽  
Wen Ten Kuo ◽  
Shian Shien Lu ◽  
Yi Fan Shih ◽  
Shih Shian Wei
Keyword(s):  
Artificial Intelligence ◽  
Compressive Strength ◽  
Support Vector Machines ◽  
Prediction Model ◽  
Prediction Models ◽  
Percentage Error ◽  
Support Vector ◽  
Concrete Compressive Strength ◽  
Rebound Hammer ◽  
Vector Machines

There are several nondestructive testing techniques available to test the compressive strength of the concrete and the Rebound Hammer Test is among one of the fast and economical methods. Nevertheless, it is found that the prediction results from Rebound Hammer Test are not satisfying (over 20% mean absolute percentage error). In view of this, this research intends to develop a concrete compressive strength prediction model for the SilverSchmidt test hammer, using data collected from 838 lab tests. The Q-values yield from the concrete test hammer SilverSchmidt is set as the input variable and the concrete compressive strength is set as the output variable for the prediction model. For the non-linear relationships, artificial intelligence technique, Support Vector Machines (SVMs), are adopted to develop the prediction models. The results show that the mean absolute percentage errors for SVMs prediction model, 6.76%, improves a lot when comparing to SilverSchmidt predictions. It is recommended that the artificial intelligence prediction models can be applied in the SilverSchmidt tests to improve the prediction accuracy.

Sign in / Sign up

Export Citation Format

Share Document