基于支持向量机的新安江重力坝变形监测模型

发布时间：2017-07-20 23:16

  本文关键词：基于支持向量机的新安江重力坝变形监测模型

  更多相关文章： 新安江重力坝 大坝变形监测 核函数 SVM模型 BP神经网络模型

【摘要】：大坝在建成以后会随着时间慢慢老化,给大坝带来各种潜在的安全隐患,影响到大坝的“健康”状况。因此,大坝的安全监测逐渐被重视,深入研究大坝及坝基的安全监测理论与方法对监控大坝安全状况具有重要意义。近年来,遗传算法、灰色理论、突变理论、人工神经网络等各种新理论和方法逐渐被应用到大坝安全监测资料分析中,这些相关理论的研究与应用,极大地丰富了大坝安全分析的数值模型理论方法,同时促使我国监测资料分析的深入发展。支持向量机(SVM)是一类在统计学习理论基础上发展起来的通用有效的新型机器学习方法,其具有较好的泛化能力,能有效的克服维数灾难,其学习训练过程能避免局部最优解。本文以新安江重力坝的监测数据为例,将SVM的原理应用于大坝变形监测分析中,建立大坝变形监测SVM模型。本文研究的主要内容如下：1.分析新安江重力坝的基本监测数据,确定出新安江重力坝变形监测SVM模型的输入因子。2.基于Libsvm工具箱利用交叉检验K-CV的方法优化SVM模型参数c、g,然后选择RBF与多项式两种不同核函数建立16#坝段的变形监测SVM模型,通过对比分析可知基于RBF核函数的SVM模型预测效果更好。3.建立新安江重力坝16#坝段的BP神经网络模型,通过对SVM模型与BP神经网络模型对比分析可知,SVM变形监测模型的复相关系数、剩余标准差、残差平方和、残差绝对值最大值、最小值、平均绝对误差、平均相对误差分别为0.894、1.116、26.141、2.994、0.003、80.184%、0.989%；BP神经网络模型的的复相关系数、剩余标准差、残差平方和、残差绝对值最大值、最小值、平均绝对误差、平均相对误差分别为0.891、1.315、36.306、3.688、0.064、94.471%、3.161%,SVM模型在建模与预测性能方面优于BP神经网络模型。4.再以新安江重力坝18#坝段为例建立SVM模型与BP网络模型,并将两种模型对比分析得出,SVM模型的预测精度仍优于BP神经网络模型,进一步验证了SVM方法的正确性与优越性。
【关键词】：新安江重力坝 大坝变形监测 核函数 SVM模型 BP神经网络模型
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TV698.11
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-18
• 1.1 研究大坝变形监测的背景及意义12-13
• 1.2 预测领域研究进展及现状13-14
• 1.3 大坝变形监测的国内外研究现状14-16
• 1.4 本文研究的主要内容16-18
• 第二章 大坝变形监测的理论与方法18-32
• 2.1 大坝变形监测的统计学模型18-27
• 2.1.1 逐步回归分析法19
• 2.1.2 混凝土重力坝变形监测统计模型19-23
• 2.1.3 混凝土重力坝灰色分析模型23-25
• 2.1.4 混凝土重力坝神经网络分析模型25-27
• 2.2 大坝变形监测的确定性模型与混合模型27-28
• 2.3 存在的问题28
• 2.4 大坝变形监测分析的新理论和新方法28-30
• 2.4.1 时间序列分析法28-29
• 2.4.2 模糊聚类分析理论29-30
• 2.4.3 突变理论30
• 2.5 小结30-32
• 第三章 支持向量机理论32-48
• 3.1 机器学习问题概述32-36
• 3.1.1 经验风险最小化与统计学习理论33-34
• 3.1.2 VC维的概念34-36
• 3.1.3 结构风险最小化原则36
• 3.2 支持向量机原理36-42
• 3.2.1 支持向量机算法的发展历史及研究现状37-38
• 3.2.2 支持向量机的基本概念38-41
• 3.2.3 支持向量机核函数41-42
• 3.3 支持向量机回归估计方法42-44
• 3.3.1 支持向量机线性回归模型42-43
• 3.3.2 支持向量机非线性回归模型43-44
• 3.4 LIBSVM工具箱简介44-46
• 3.5 小结46-48
• 第四章 新安江重力坝变形监测SVM模型的建立48-76
• 4.1 新安江水电站工程概况及枢纽布置48-52
• 4.1.1 工程防渗监测设施49-50
• 4.1.2 工程安全监测系统50-52
• 4.2 新安江重力坝基本监测数据分析52-55
• 4.2.1 上下游水位监测资料分析52-54
• 4.2.2 气温监测资料分析54-55
• 4.3 变形监测SVM模型的建立55-74
• 4.3.1 模型输入因子的选择55-58
• 4.3.2 模型输入数据预处理58-60
• 4.3.3 模型参数的优化选取60-62
• 4.3.4 核函数的选择62-72
• 4.3.5 模型评价指标72-73
• 4.3.6 模型建立的训练步骤73-74
• 4.4 小结74-76
• 第五章 新安江重力坝变形监测SVM模型与BP模型的对比分析76-90
• 5.1 16~#坝段的BP神经网络变形监测模型76-80
• 5.1.1 BP神经网络的训练76-79
• 5.1.2 BP神经网络模型的预测79-80
• 5.2 16~#坝段变形监测SVM与BP模型的对比分析80-82
• 5.3 18~#坝段的变形监测SVM与BP模型82-88
• 5.3.1 18~#坝段变形监测的SVM模型82-85
• 5.3.2 18~#坝段变形监测的BP神经网络模型85-87
• 5.3.3 18~#坝段变形监测SVM与BP模型的对比分析87-88
• 5.4 小结88-90
• 第六章 结论与展望90-92
• 6.1 结论90-91
• 6.2 展望91-92
• 致谢92-94
• 参考文献94-98
• 附录98

【相似文献】

中国期刊全文数据库 前10条

1 程惠涛,黄文虎,姜兴渭,王日新;基于神经网络模型的故障预报技术研究[J];哈尔滨工业大学学报;2001年02期

2 田社平,丁国清,颜德田;神经网络模型及其在计量与测试中的应用[J];计量技术;2001年08期

3 全永兵,张化光,王洋,赵志刚;一类新型神经网络模型及其控制器设计[J];东北大学学报;2002年12期

4 魏永梅,林建中,张雷,乔俊伟,詹永麒;基于结构的神经网络模型[J];上海理工大学学报;2002年03期

5 王迎春,耿长福;一种具有较强泛化能力的神经网络模型研究与应用[J];航天控制;2002年02期

6 戴斌祥,张娜,贺注国;关于一类离散时间神经网络模型的稳定性[J];湖南大学学报(自然科学版);2003年01期

7 朱惠延,黄立宏,戴斌祥;一类二元神经网络模型的收敛性(英文)[J];应用基础与工程科学学报;2003年02期

8 薛文涛,陈西宏,李飞;神经网络模型在同类武器装备综合评估中的应用[J];计算机仿真;2004年12期

9 孙佰清;邢爱国;张积宾;潘启树;;可拓神经网络模型的设计与实现[J];哈尔滨工业大学学报;2006年07期

10 曲东才;范绍里;吴光彬;彭军;;基于优化神经网络模型的系统建模仿真研究[J];海军航空工程学院学报;2008年03期

中国重要会议论文全文数据库 前10条

1 孙宝成;刘锡荟;;时间序列神经网络模型[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

2 周金荣;胡泽新;黄道;;一种多层混合型神经网络模型的研究[A];1995中国控制与决策学术年会论文集[C];1995年

3 王阿明;刘天放;;高阶神经网络模型特性研究[A];中国地球物理学会年刊2002——中国地球物理学会第十八届年会论文集[C];2002年

4 屈景怡;王如彬;;大脑皮层神经网络模型同步问题研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

5 张美恋;林熙;;经济增长的神经网络模型[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 陈昭炯;叶东毅;;一个改进的竞争神经网络模型[A];1996中国控制与决策学术年会论文集[C];1996年

7 郭成安;李建华;李明伟;;从观测数据学习后验概率函数:一种最佳神经网络模型的设计与分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

8 李媛;康春艳;于亚芳;;交指型缺陷接地结构共面波导的神经网络模型[A];2009年全国微波毫米波会议论文集（上册）[C];2009年

9 禹建丽;苏中义;杨卫平;;牵引传动中润滑油牵引系数的神经网络模型[A];2005年中国智能自动化会议论文集[C];2005年

10 胡金亮;李建生;余学庆;沈建京;周涛;王永炎;;用于中医证候量化诊断的神经网络模型的探索[A];计算机在诊法中的应用与研究论文汇编[C];2005年

中国重要报纸全文数据库 前1条

1 自治区交通厅养路费征稽处 程爱娟;应用“神经网络模型”预测妇女的平均工资水平[N];新疆科技报(汉);2000年

中国博士学位论文全文数据库 前10条

1 袁朝晖;二元离散神经网络模型的动力学分析[D];湖南大学;2003年

2 王军平;几类离散神经网络模型的动力学分析[D];复旦大学;2006年

3 南晋华;决策神经网络模型及应用研究[D];华中科技大学;2008年

4 周日贵;量子神经网络模型研究[D];南京航空航天大学;2008年

5 刘艳青;时滞神经网络模型的稳定性研究[D];天津大学;2005年

6 赵灵晓;基于部件神经网络模型的制冷系统混合仿真方法及应用[D];上海交通大学;2010年

7 朱红;高速（HS-K-WTA）神经网络模型[D];南京理工大学;2003年

8 熊佩英;几类神经网络模型的动力学分析[D];湖南大学;2013年

9 刘开宇;几类二元神经网络模型的动力学性质研究[D];湖南大学;2004年

10 黄振坤;几类神经网络模型的动力学分析[D];浙江大学;2007年

中国硕士学位论文全文数据库 前10条

1 杨巍;三元离散神经网络模型的稳定性与分岔分析[D];东北林业大学;2010年

2 李波;一类带有分段连续控制项的非线性递推关系的渐近周期性[D];延边大学;2015年

3 巩云野;两类具有时滞项的Cohen-Grossberg神经网络模型的稳定性分析[D];东北林业大学;2015年

4 陈红佳;基于BP和NNRS模型的超声缺陷信号识别研究[D];中北大学;2016年

5 张英朋;基于神经网络模型的SI发动机AFR非线性模型预测控制[D];吉林大学;2016年

6 苏延平;基于图像处理的车牌识别技术的研究与实现[D];吉林大学;2016年

7 刘潋滟;我国财政风险监测预警方法优选及BP神经网络模型实践[D];云南财经大学;2016年

8 王琳;基于支持向量机的新安江重力坝变形监测模型[D];昆明理工大学;2016年

9 朱林;BP神经网络模型在地震应急损失快速评估中的应用[D];中国地震局地震预测研究所;2016年

10 李若飞;舍内环境与鸡健康水平的神经网络模型分析[D];东北农业大学;2009年

，

本文编号：570465