基于小波支持向量机的边坡变形预测研究

发布时间：2023-02-28 20:04

　　随着我国经济的快速发展,边坡的种类与数量越来越多,但是由于各种原因导致边坡变形失稳而造成的滑坡、崩塌等灾害也时常发生,因此对边坡进行变形监测以及预测其变形趋势是必要的。然而边坡变形监测数据具有随机性和复杂性等特征,传统的SVM模型并不能取得较高的精度,从而提出一种基于改进粒子群算法(IPSO)优化的小波核函数支持向量机(WSVM)模型应用于边坡变形预测。首先针对标准PSO算法的不足提出了三条改进策略。其一,为了改善初始粒子种群的质量,提高种群的多样性,通过均匀分布的方式代替标准PSO算法完全随机的方式进行种群初始化,在兼顾初始种群随机性的同时使其均匀地分布在解空间;其二,标准PSO算法中线性递减惯性权重的方式存在一定的局限性,引入了余弦函数对其进行改进,更好地平衡了算法的全局寻优能力与局部寻优能力;其三,标准PSO算法容易陷入局部最优,因此提出了粒子淘汰机制,每次迭代过后将一小部分适应度较差的粒子重新初始化,在保证适应度较好粒子的寻优路径的同时,极大程度的增加算法跳出局部最优的能力;最后通过测试函数进行寻优实验,实验结果表明IPSO算法的寻优精度优于标准PSO算法,且提高了算法的收敛速...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    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 本文主要研究内容
    1.4 文章结构安排
第二章 粒子群算法及其改进研究
    2.1 标准粒子群算法
        2.1.1 算法基本原理
        2.1.2 PSO算法实现步骤
    2.2 改进的粒子群算法
        2.2.1 标准粒子群算法改进策略
        2.2.2 改进的粒子群算法(IPSO)实现步骤
    2.3 IPSO实验及结果分析
    2.4 本章小结
第三章 支持向量机及小波核函数构造
    3.1 统计学习理论基础
        3.1.1 学习问题的基本模型
        3.1.2 经验风险最小化
        3.1.3 VC维
        3.1.4 结构风险最小化
    3.2 支持向量机
        3.2.1 最优分类超平面
        3.2.2 线性支持向量机
        3.2.3 非线性支持向量机
        3.2.4 支持向量回归机
    3.3 小波核函数构造
        3.3.1 常用核函数特性分析
        3.3.2 小波核函数
    3.4 SVM模型参数影响分析
    3.5 本章小结
第四章 边坡变形预测模型构建及实现
    4.1 模型评价指标
    4.2 基于IPSO优化的WSVM边坡变形预测模型构建
    4.3 基于IPSO-WSVM模型边坡变形预测系统实现
        4.3.1 边坡变形预测系统总体设计
        4.3.2 边坡变形预测系统功能设计
        4.3.3 边坡变形预测系统实现
    4.4 本章小结
第五章 工程应用
    5.1 工程概况
    5.2 花坪子边坡变形预测
    5.3 甘田坝边坡变形预测
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3751752