發(fā)布時間：2022-11-08 22:09

　　隨著邊坡大量涌現(xiàn),邊坡滑坡事件屢見不鮮,從而給人民的生產(chǎn)、生活帶來了巨大的影響和損失,因此對邊坡的變形預(yù)測和預(yù)警,就顯得尤為迫切和重要。針對傳統(tǒng)預(yù)測方法的不足,有必要探討新方法來進行預(yù)測。為此,本文將改進支持向量機運用到邊坡位移預(yù)測中。首先,針對支持向量機預(yù)測模型參數(shù)難以求取、傳統(tǒng)PSO參數(shù)尋優(yōu)易陷入極值的問題,將自適應(yīng)慣性權(quán)重置換粒子群算法速度更新公式中的慣性權(quán)重;并運用多粒子信息共享改進粒子群算法的位置更新公式,構(gòu)建MAPSO算法。針對單一核函數(shù)泛化性、學(xué)習(xí)能力存在的問題,運用Poly與RBF加遞減權(quán)混合核函數(shù)代替SVM核函數(shù)。運用MAPSO算法對混合核函數(shù)的支持向量機進行參數(shù)尋優(yōu),最終建立混合核函數(shù)MAPSO-SVR的邊坡位移預(yù)測模型。其次,采用丹巴鏡滑坡位移數(shù)據(jù)和新臥龍滑坡位移數(shù)據(jù)作為實驗數(shù)據(jù),運用Faruto等人開發(fā)的Libsvm加強版工具箱,實現(xiàn)對混合核函數(shù)MAPSO-SVR的邊坡位移預(yù)測模型的訓(xùn)練和預(yù)測。最后,根據(jù)編制的Matlab程序,將基于混合核函數(shù)MAPSO-SVR的邊坡位移預(yù)測結(jié)果與基于傳統(tǒng)支持向量機預(yù)測結(jié)果做對比。其中,丹巴鏡滑坡位移數(shù)據(jù),基于混合核函數(shù)MAPS... 

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景、目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 邊坡變形預(yù)測研究現(xiàn)狀
        1.2.2 支持向量機研究現(xiàn)狀
    1.3 研究的內(nèi)容及章節(jié)結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
第二章 邊坡變形相關(guān)知識與數(shù)據(jù)預(yù)處理
    2.1 邊坡變形相關(guān)知識
        2.1.1 邊坡類型
        2.1.2 邊坡變形演化
        2.1.3 影響邊坡穩(wěn)定性的因素
    2.2 邊坡變形監(jiān)測方法
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 奇異值檢測
        2.3.2 數(shù)據(jù)插值
        2.3.3 數(shù)據(jù)歸一化
第三章 支持向量機理論基礎(chǔ)
    3.1 統(tǒng)計學(xué)習(xí)理論
        3.1.1 泛化能力
        3.1.2 VC維與一致性收斂
        3.1.3 結(jié)構(gòu)風險最小化
    3.2 支持向量機
        3.2.1 支持向量分類機
        3.2.2 支持向量回歸機
第四章 基于混合核函數(shù)MAPSO-SVR的邊坡位移預(yù)測模型構(gòu)建
    4.1 PSO算法
        4.1.1 PSO算法的基本理論
        4.1.2 PSO算法的參數(shù)分析
    4.2 改進PSO算法
    4.3 核函數(shù)
        4.3.1 幾種常見的核函數(shù)
        4.3.2 核函數(shù)的性質(zhì)
    4.4 改進核函數(shù)
    4.5 基于混合核函數(shù)的MAPSO-SVR的邊坡位移預(yù)測流程
第五章 工程應(yīng)用
    5.1 丹巴滑坡預(yù)測應(yīng)用
        5.1.1 工程概況
        5.1.2 數(shù)據(jù)預(yù)處理
        5.1.3 模型精度評定指標
        5.1.4 位移預(yù)測
        5.1.5 結(jié)果分析
    5.2 臥龍寺新滑坡預(yù)測應(yīng)用
        5.2.1 工程概況
        5.2.2 數(shù)據(jù)預(yù)處理
        5.2.3 位移預(yù)測
        5.2.4 結(jié)果分析
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機械工程. 2017(09)
[2]一種改進的支持向量機參數(shù)優(yōu)化方法[J]. 趙朝賀.  地理空間信息. 2017(01)
[3]支持向量機在高考成績預(yù)測分析中的應(yīng)用[J]. 張莉,盧星凝,陸從林,王邦軍,李凡長.  中國科學(xué)技術(shù)大學(xué)學(xué)報. 2017(01)
[4]基于信息熵和變精度粗糙集優(yōu)化的支持向量機降溫負荷預(yù)測方法[J]. 謝敏,鄧佳梁,吉祥,劉明波.  電網(wǎng)技術(shù). 2017(01)
[5]回歸分析在具有蠕變特點滑坡變形預(yù)測中的應(yīng)用[J]. 董川龍,程虹銘,楊棟,高宇龍.  山西大同大學(xué)學(xué)報(自然科學(xué)版). 2016(06)
[6]基于模糊支持向量機的光伏發(fā)電量預(yù)測[J]. 張玉,莫寒,張烈平.  熱力發(fā)電. 2017(01)
[7]支持向量機模型的登革熱時空擴散預(yù)測[J]. 陳業(yè)濱,李衛(wèi)紅.  測繪科學(xué). 2017(02)
[8]邊坡穩(wěn)定可靠度分析的新型四階矩法[J]. 周芬,郭奧飛,杜運興.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2016(05)
[9]基于中位數(shù)回歸分析的礦區(qū)變形監(jiān)測數(shù)據(jù)處理[J]. 蔣晨,張書畢,文小勇.  金屬礦山. 2016(05)
[10]基于離散元的邊坡矢量和穩(wěn)定分析方法研究[J]. 沈華章,郭明偉,王水林,葛修潤.  巖土力學(xué). 2016(02)



本文編號：3704643