基于TW-SVM预测模型的某堆石坝变形预测分析
【图文】：
中体现出明显的优势，其理论及应用也随之迅速发展和完善［4］，其重要参数核函数是将复杂的非线性问题转化为某个高维空间的线性问题的关键，不同的核函数可解决不同性质的非线性问题［5－7］。本文针对与大坝变形监测数据相关的时间、水位两类影响因素特点，选用两种不同的核函数分别简化其样本数据之间的复杂关系，提出一种TW－SVM预测模型，基于某堆石坝的变形监测数据进行预测分析，并与BP神经网络方法所建预测模型结果进行精度比较，证明了该模型具有更好的预测精度，在工程实践中具有一定的推广价值。图1堆石坝主要横断面及监测点位置设计(单位:m)1TW－SVM预测方法SVM方法能够根据统计学习理论中结构风险最小化原理较好的解决了小样本建模问题，并且采用基于点积运算理论的核函数将复杂的非线性问题转化为某个高维空间的线性问题来解决。核函数的基本作用就是转换低维空间里的向量，使得计算出在高维空间里经过相应变换的向量内积值［8］。不同的点积核函数将形成不同的算法，，满足Mercer条件的点积函数K(x→i，x→j)称之为核函数，常用公式详见文献［9］。样本因素中的时间因素，若为连续的时间段，采用线性核函数来进行降维简化;若为不连续的时间段，采用多项式核函数进行降维简化。水位因素可采用径向基核函数进行降维。即采用不同的核函数来解决时间和水位两类样本因素的支持向量机方法为TW－SVM预测方法，所建预测模型为TW－SVM预测模型，基于本文算例，相应数学表达式如下f(x→)=α*1K线性(x→i·x→)+α*2K径向基(x→i·x→)+b*(1)式中，α*i为被选中的支持向量系数;b*为分类阈值。2工程应用2.1工程概况河南省某水库的控?
蔚亩缟糠治鼋峁鉖嘣时疚?将同一高程的各个监测点的年平均监测值作为预测模型的预测对象;影响大坝变形量的因素可作为预测模型的样本因素，本文重点分析了监测年份和相应最高库水位两类样本因素。即可针对不同监测点所测的垂直位移和水平位移各建立14个预测样本，如表1所列。2.3大坝变形预测分析为了比较分析SVM预测模型的适用性，先将样本数据进行归一化处理，再依据神经网络方法和SVM方法分别建立两套预测模型，最后采用2003、2004、2005三年的样本数据进行预测模型的精度检验及对比分析。分析思路如图2所示。图2堆石坝变形预测分析流程2.3.1垂直位移预测分析基于SVM方法和神经网络方法，采用1—11号样本分别对图1所示的3个监测点所得垂直位移建立两类预测模型，采用12—14号样本中的实测位移数据分别于预测位移值进行对比分析，如图3—图5所图3监测点1的垂直位移实测值与预测值分布示。采用SVM方法预测的垂直位移与实际监测值均较为接近，最大绝对误差仅为0.58mm，相对误差最大为270.00%;采用神经网络方法的预测值与实际监测值偏差较大，最大绝对误差达到6.18mm，相对误差最大为1286.22%。具体误差分析如表2所列。111
【作者单位】： 黄河水利职业技术学院;小流域水利河南省高校工程技术研究中心;开封市引黄管理处;
【基金】：河南省高等学校青年骨干教师资助项目(2013GGJS-197) 黄河水利职业技术学院科研基金项目(2014QNKY013)
【分类号】：TV698.1
【参考文献】
相关期刊论文 前6条
1 肖兵;宋志诚;屠丹;李华斌;张胜利;;基于PSO-SVM模型的面板堆石坝堆石料参数反演分析[J];水电能源科学;2015年03期
2 刘大宁;杨永乐;白林;;SVM核函数对分类精度影响的研究[J];佳木斯大学学报(自然科学版);2012年04期
3 王春燕;夏乐天;孙毓蔓;;基于不同核函数的SVM用于径流预报的比较[J];人民黄河;2010年09期
4 陆荣秀;;混合核函数支持向量机在系统建模中的应用[J];华东交通大学学报;2010年02期
5 杨海燕;周永权;;一种支持向量机的混合核函数[J];计算机应用;2009年S2期
6 张治强,冯夏庭,杨成祥,林韵梅;非线性位移时间序列分析的遗传神经网络方法[J];东北大学学报;1999年04期
相关硕士学位论文 前1条
1 袁会娜;基于神经网络和演化算法的土石坝位移反演分析[D];清华大学;2003年
【共引文献】
相关期刊论文 前10条
1 代凌辉;侯景梅;郝晓宇;许晓瑞;;基于TW-SVM预测模型的某堆石坝变形预测分析[J];水利水电技术;2017年03期
2 赵朝贺;;一种改进的支持向量机参数优化方法[J];地理空间信息;2017年01期
3 晏志超;姚亮;韩超;;一种基于混合核函数SVM的人脸识别方法[J];四川理工学院学报(自然科学版);2016年03期
4 黄存捍;陈魁奎;李振华;李小军;;基于相空间重构和支持向量机的矿井涌水量预测[J];河南理工大学学报(自然科学版);2016年02期
5 傅军栋;邹欢;康水华;;PSO-SVM算法在智能建筑环境监控系统中的应用[J];华东交通大学学报;2016年01期
6 沈文浩;刘章;叶文轩;焦东;;基于数据的废纸配比预测纸浆白度的研究[J];中国造纸;2015年10期
7 童晓;孙卫红;李强;;一种改进PSO-LSSVM算法在锅炉燃烧优化中的应用[J];制造业自动化;2015年02期
8 马尔仑;郑艳楠;;SVM分类法的参数优化研究——以黄河口湿地应用为例[J];价值工程;2015年01期
9 曹洋兵;晏鄂川;龙黎红;王琪;;崩滑灾害位移曲线典型类型及其形成机制[J];地质科技情报;2014年05期
10 刘欣;朱元清;胡林华;雷志良;;基于混合核函数的雷达辐射源信号识别[J];电脑开发与应用;2014年06期
相关硕士学位论文 前10条
1 张一铭;基于位移反分析的隧道洞口段围岩参数确定及施工应用[D];广西大学;2016年
2 郭靖;参数反演下堆石坝变形受水位变化影响分析[D];大连理工大学;2015年
3 陈小雨;隧道结构开裂病因力学正演分析[D];西南交通大学;2015年
4 端木杰超;深切河谷地应力场分析研究[D];长江科学院;2014年
5 张冬青;基坑排桩支护水平位移反演结构内力和土压力的方法研究[D];西南交通大学;2014年
6 李旭峰;锦屏水电站右岸拱肩槽边坡动态监测反馈分析研究[D];西南交通大学;2013年
7 文辉辉;隧道围岩力学参数反分析研究[D];长江科学院;2012年
8 宋春晖;地铁车站深基坑土体参数动态反演分析及变形预测[D];河南工业大学;2011年
9 周宇龙;基于遗传算法的堤防材料动力特性反演分析[D];郑州大学;2010年
10 单宏伟;高面板堆石坝模型参数反演及应力变形分析[D];清华大学;2008年
【二级参考文献】
相关期刊论文 前10条
1 郦能惠;杨泽艳;;中国混凝土面板堆石坝的技术进步[J];岩土工程学报;2012年08期
2 郭光绪;;支持向量机的缺陷及改进算法[J];计算机与现代化;2012年02期
3 张战成;王士同;邓赵红;Chung Fu-lai;;支持向量机的一种快速分类算法[J];电子与信息学报;2011年09期
4 顾亚祥;丁世飞;;支持向量机研究进展[J];计算机科学;2011年02期
5 张睿;马建文;;支持向量机在遥感数据分类中的应用新进展[J];地球科学进展;2009年05期
6 向峥嵘;刘松青;;基于LS-SVM的稀土萃取组分含量软测量[J];中国稀土学报;2009年01期
7 李彦彬;黄强;徐建新;张泽中;;河川径流中长期预测的支持向量机模型[J];水力发电学报;2008年05期
8 张伟;何新林;刘兵;;SVM在玛纳斯河流域径流预测中的应用与研究[J];人民黄河;2008年05期
9 陆荣秀;;基于支持向量机的稀土萃取过程建模方法[J];华东交通大学学报;2008年01期
10 许勇刚;杨辉;;基于RBF网络的稀土萃取过程组分含量软测量[J];稀土;2007年05期
【相似文献】
相关期刊论文 前10条
1 张成;王兴春;;空中机动目标航路预测模型[J];火力与指挥控制;2007年09期
2 李楷;;论汽车整车库存预测模型的构建[J];现代商贸工业;2008年05期
3 赵国清;张少勇;;关于成长曲线预测模型参数识别的一点看法[J];哈尔滨科学技术大学科学报告会论文摘要汇编;1985年S1期
4 左常勇;;随机疲劳寿命分布预测模型[J];机械强度;1988年02期
5 ;《节能管理和预测模型》[J];中国能源;1991年08期
6 刘沐宇,郑泽岱;灰色预测模型及在巷道收敛位移中的应用[J];非金属矿;1992年05期
7 张步涵;郑琢非;;灰色预测模型在农电规划中的应用[J];水电能源科学;1993年02期
8 陈淑敏;王秀英;;指数预测模型及参数识别[J];哈尔滨科学技术大学学报;1993年03期
9 陈传波,刘广宇;实时参量预测模型及其分析[J];湖北工学院学报;2001年04期
10 梅国建;张向波;徐宗昌;温再华;;基于支持向量分类的装备完好性预测模型[J];装甲兵工程学院学报;2009年01期
相关会议论文 前10条
1 鄢小彬;肖新平;;基于灰色马尔可夫模型的煤矿安全预测[A];第九届中国青年信息与管理学者大会论文集[C];2007年
2 罗荣桂;黄敏镁;;基于自适应神经模糊推理系统的服务业发展预测模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年
3 王亮;刘豹;徐德民;;预测模型的选择及其智能化实现[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年
4 肖健华;吴今培;;基于支持向量机的预测模型及应用[A];2003年中国智能自动化会议论文集（下册）[C];2003年
5 李阳旭;邓辉文;;一种新的企业市场预测模型及其比较研究[A];2004年中国管理科学学术会议论文集[C];2004年
6 马志元;;城市区域经济、人口、能源、环境综合系统预测模型及应用[A];中国城市建设与环境保护实践——城市建设与环境保护学术研讨会论文集[C];1997年
7 李兆芹;姚克敏;;一种新的疾病发病率预测模型研究[A];首届长三角气象科技论坛论文集[C];2004年
8 李兆芹;姚克敏;;一种新的疾病发病率预测模型研究[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年
9 张晓f^;;全球煤炭产量的灰色预测模型[A];中国现场统计研究会第十三届学术年会论文集[C];2007年
10 肖会敏;樊为刚;;基于神经网络的粮食产量预测模型[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年
相关重要报纸文章 前10条
1 刘庆;“预测模型”要缓行[N];网络世界;2006年
2 特约记者 刘京涛;华东化工销售员工设计价格预测模型见成效[N];中国石油报;2010年
3 南方日报记者 彭琳 实习生 周鹏程;预测世界杯之外 大数据还能做什么[N];南方日报;2014年
4 本报记者 张超;预测模型：推算SARS起落潮[N];科技日报;2003年
5 本报记者 段佳;机器“品肉师”替您“尝鲜”[N];大众科技报;2010年
6 BMC首席IT技术官 Mahendra Durai IDC顾问 Eric Hatcher Randy Perry;预测智能：管理复杂基础架构的锁钥[N];中国计算机报;2010年
7 张琳 赵伟;巧用Excel构建利润预测模型[N];财会信报;2007年
8 杨宜勇（作者为国家发改委经济研究所副所长）;发挥信息化对就业的“增补效应”[N];第一财经日报;2005年
9 本报记者 汤浔芳 实习记者 董文萍;“孵化器”模式：大数据的垂直运营样本[N];21世纪经济报道;2014年
10 本报记者 安丰;深部找矿的探镜[N];中国国土资源报;2006年
相关博士学位论文 前10条
1 师懿;城市交通规划环评中空气污染预测模型研究[D];中国地质大学;2015年
2 张丽;牦牛肉用品质特性及近红外预测模型和产量等级系统的研究[D];中国农业科学院;2015年
3 吴利丰;分数阶灰色预测模型及其应用研究[D];南京航空航天大学;2015年
4 王菲;肉牛饲料有效能值预测模型的建立与评价[D];中国农业大学;2016年
5 文江平;农村地区成人2型糖尿病发生风险相关生物标志物的筛选及预测模型的建立[D];中国人民解放军医学院;2016年
6 白云鹏;华法林稳态剂量预测模型在瓣膜置换术后抗凝治疗中的应用[D];天津医科大学;2016年
7 孙鹏;风电机组状态异常辨识广义模型与运行风险评估方法研究[D];重庆大学;2016年
8 马新;基于灰色系统与核方法的油藏动态预测方法研究[D];西南石油大学;2016年
9 周闯;原发性肝癌术后转移复发分子预测模型的优化整合与临床转化[D];复旦大学;2012年
10 孙忠林;煤矿安全生产预测模型的研究[D];山东科技大学;2009年
相关硕士学位论文 前10条
1 刘冰;基于神经网络的纤维热磨过程能耗预测模型的研究[D];东北林业大学;2015年
2 张念;铁路轨道几何不平顺趋势预测的关键算法研究[D];西南交通大学;2015年
3 田振伟;城市能源预测模型的研究与应用[D];昆明理工大学;2015年
4 吴迪;基于模糊决策树算法的安全库存量预测模型[D];中国地质大学(北京);2015年
5 齐雯;采用灰色预测模型改进的HHT算法在故障诊断中的应用[D];华南理工大学;2015年
6 王萍;膀胱癌遗传分数的计算及发病风险预测模型的构建[D];复旦大学;2013年
7 石大宏;基于序列的蛋白质—核苷酸绑定位点预测研究[D];南京理工大学;2015年
8 熊盛华;基于BP神经网络的混合预测模型的实例研究[D];兰州大学;2015年
9 赵Z
本文编号：2518913
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/2518913.html
