基于改进网格搜索法的SVM边坡变形预测研究

发布时间：2020-09-02 19:26

【摘要】：边坡失稳所带来的危害非常大,对于自然边坡和一些大型工程边坡,一旦发生边坡失稳事件,往往能够改变一个区域的地貌特征,进而对这个区域周围的人居环境造成重大影响。边坡灾害所带来的损失动辄上亿甚至几十亿,而预防这些边坡变形发生所需要的成本远远小于灾害发生之后的重建恢复工作,因此,对边坡变形进行科学有效的预测就显得尤为重要和紧迫。本文根据边坡变形的相关特点,提出运用支持向量机方法对边坡变形进行预测研究,并且对于传统网格法搜索速度过慢、精度不高的缺陷,提出一种基于改进网格搜索法的支持向量机方法,实验结果表明本文提出的新算法对比传统算法在运算时间和精度两个方面都有了较好的提升。本文的研究工作主要包括以下几个方面:1)概述支持向量机的基本理论和它的核函数的种类以及应用类型,引入了支持向量机核函数的参数寻优问题。2)面对核函数的相关参数寻优问题还没有统一的理论,本文分析了传统网格搜索法参数寻优和粒子群搜索法参数寻优,结合两者的劣势和优势,提出了改进网格搜索法的支持向量机。针对传统网格法的搜索速度过慢,精度不高的缺点,利用粒子群算法在前期能够快速收敛于种群最优解的优势,在算法初期引入对整个算法进行加速,使算法快速定位到最优区间附近,同时在算法后期,改为使用小步长的网格搜索法在粒子群算法所确定的种群最优解附近的小区间内进行第二次精细搜索,在一定程度上帮助算法跳出前期快速寻优导致的可能陷入的局部最优解,从而达到全局最优解。3)将建立的基于改进网格搜索法的支持向量机应用于边坡变形预测,通过两个边坡变形实例验证改进算法的优劣,最后的实验结果表明:在两个工程实例的边坡变形预测中,对比传统网格法SVM和遗传算法SVM,改进的网格搜索法支持向量机在平均相对误差和运算时间上更具优势。另一方面,新算法所得预测的均方误差和平方和误差也都远小于另外两种算法,这说明改进的网格搜索法支持向量机具有更好的预测精度、运算速度与稳定性,有实际应用价值。
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TU433
【图文】：

技术路线图

第二章 统计学习理论与支持向量机第二章 统计学习理论与支持向量机2.1 统计学习理论20 世纪中叶，计算机的诞生标志着人类进入了一个新的发展阶段，紧随其后的便是计算机技术呈现出爆炸式的发展，在这个大背景下，一些在原有条件下无法实现的技术开始被提出，机器学习就是其中一个重要的分支，如图 2.1 所示。它研究计算机去模仿人类对样本数据进行学习、观测并且分析对象，并最终去预测未来。紧接着在 20 世纪 60 年代，Vapnik 等人提出了统计学习理论（Statistical Learning Theory，简称 SLT）。统计学习理论和传统意义上的统计学略有不同，是一种专门致力于研究和解决小样本数量的机器学习理论。

第二章 统计学习理论与支持向量机，使得这个函数集中的子集满足图 2.1。nS S S S123其中这个函数集中的子集 {(,),}kkS fxww ，每个子集都对应一,且各个子集的 VC 维也满足如下关系：kh h h h123这时就可以在函数集f ( x,w),w 中挑选一个函数，使其能同时确和置信范围的最小化。

【相似文献】

中国期刊全文数据库 前2条

1 文银平;胡志祥;赵文光;朱宏平;;利用网格搜索进行地球椭球面闪电定位[J];武汉大学学报(信息科学版);2010年09期

2 姚志祥;王椿镛;楼海;;利用基于围陷波波形相关的网格搜索法确定昆仑山断裂带结构参数[J];地球物理学报;2010年05期

本文编号：2811002