基于混合核函数MAPSO-SVR的边坡位移预测研究

发布时间：2022-11-08 22:09

　　随着边坡大量涌现,边坡滑坡事件屡见不鲜,从而给人民的生产、生活带来了巨大的影响和损失,因此对边坡的变形预测和预警,就显得尤为迫切和重要。针对传统预测方法的不足,有必要探讨新方法来进行预测。为此,本文将改进支持向量机运用到边坡位移预测中。首先,针对支持向量机预测模型参数难以求取、传统PSO参数寻优易陷入极值的问题,将自适应惯性权重置换粒子群算法速度更新公式中的惯性权重;并运用多粒子信息共享改进粒子群算法的位置更新公式,构建MAPSO算法。针对单一核函数泛化性、学习能力存在的问题,运用Poly与RBF加递减权混合核函数代替SVM核函数。运用MAPSO算法对混合核函数的支持向量机进行参数寻优,最终建立混合核函数MAPSO-SVR的边坡位移预测模型。其次,采用丹巴镜滑坡位移数据和新卧龙滑坡位移数据作为实验数据,运用Faruto等人开发的Libsvm加强版工具箱,实现对混合核函数MAPSO-SVR的边坡位移预测模型的训练和预测。最后,根据编制的Matlab程序,将基于混合核函数MAPSO-SVR的边坡位移预测结果与基于传统支持向量机预测结果做对比。其中,丹巴镜滑坡位移数据,基于混合核函数MAPS... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景、目的及意义
    1.2 国内外研究现状
        1.2.1 边坡变形预测研究现状
        1.2.2 支持向量机研究现状
    1.3 研究的内容及章节结构
        1.3.1 研究内容
        1.3.2 章节安排
第二章 边坡变形相关知识与数据预处理
    2.1 边坡变形相关知识
        2.1.1 边坡类型
        2.1.2 边坡变形演化
        2.1.3 影响边坡稳定性的因素
    2.2 边坡变形监测方法
    2.3 数据预处理
        2.3.1 奇异值检测
        2.3.2 数据插值
        2.3.3 数据归一化
第三章 支持向量机理论基础
    3.1 统计学习理论
        3.1.1 泛化能力
        3.1.2 VC维与一致性收敛
        3.1.3 结构风险最小化
    3.2 支持向量机
        3.2.1 支持向量分类机
        3.2.2 支持向量回归机
第四章 基于混合核函数MAPSO-SVR的边坡位移预测模型构建
    4.1 PSO算法
        4.1.1 PSO算法的基本理论
        4.1.2 PSO算法的参数分析
    4.2 改进PSO算法
    4.3 核函数
        4.3.1 几种常见的核函数
        4.3.2 核函数的性质
    4.4 改进核函数
    4.5 基于混合核函数的MAPSO-SVR的边坡位移预测流程
第五章 工程应用
    5.1 丹巴滑坡预测应用
        5.1.1 工程概况
        5.1.2 数据预处理
        5.1.3 模型精度评定指标
        5.1.4 位移预测
        5.1.5 结果分析
    5.2 卧龙寺新滑坡预测应用
        5.2.1 工程概况
        5.2.2 数据预处理
        5.2.3 位移预测
        5.2.4 结果分析
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君.  中国机械工程. 2017(09)
[2]一种改进的支持向量机参数优化方法[J]. 赵朝贺.  地理空间信息. 2017(01)
[3]支持向量机在高考成绩预测分析中的应用[J]. 张莉,卢星凝,陆从林,王邦军,李凡长.  中国科学技术大学学报. 2017(01)
[4]基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法[J]. 谢敏,邓佳梁,吉祥,刘明波.  电网技术. 2017(01)
[5]回归分析在具有蠕变特点滑坡变形预测中的应用[J]. 董川龙,程虹铭,杨栋,高宇龙.  山西大同大学学报(自然科学版). 2016(06)
[6]基于模糊支持向量机的光伏发电量预测[J]. 张玉,莫寒,张烈平.  热力发电. 2017(01)
[7]支持向量机模型的登革热时空扩散预测[J]. 陈业滨,李卫红.  测绘科学. 2017(02)
[8]边坡稳定可靠度分析的新型四阶矩法[J]. 周芬,郭奥飞,杜运兴.  湖南大学学报(自然科学版). 2016(05)
[9]基于中位数回归分析的矿区变形监测数据处理[J]. 蒋晨,张书毕,文小勇.  金属矿山. 2016(05)
[10]基于离散元的边坡矢量和稳定分析方法研究[J]. 沈华章,郭明伟,王水林,葛修润.  岩土力学. 2016(02)



本文编号：3704643