發(fā)布時間：2018-03-03 14:05

  本文選題：支持向量機　切入點：蟻群算法　出處：《江西理工大學》2015年碩士論文　論文類型：學位論文

【摘要】：礦區(qū)地表沉降是一個緩慢且長期的過程,隨著沉降量的累積,沉降總量超過地表所能承載的最大閾值,就會發(fā)生滑坡等重大災害,為了避免災害的發(fā)生,長期監(jiān)測礦區(qū)地表沉降并掌握其沉降規(guī)律勢在必行。目前針對礦區(qū)地表沉降預測方法較多,但是傳統(tǒng)的預測方法存在誤差大、收斂速度慢等問題,因此,探索有效的新方法預測礦區(qū)地表沉降規(guī)律具有重大意義。本文在對礦區(qū)地表沉降預測和支持向量機研究現(xiàn)狀的基礎之上,利用蟻群算法對支持向量機進行優(yōu)化,并應用于礦區(qū)地表沉降預測研究,首先介紹了蟻群算法和支持向量機的基本理論、數(shù)學模型及其特點;其次采用改進網(wǎng)格化的蟻群算法優(yōu)化選擇支持向量機參數(shù),基于Visual Studio編程環(huán)境,利用C#語言編程實現(xiàn);最后,通過以某礦區(qū)地表沉降監(jiān)測數(shù)據(jù)為數(shù)據(jù)源,采用Fibonacci加權(quán)處理方法對原始監(jiān)測數(shù)據(jù)進行處理,建立基于蟻群算法的支持向量機礦區(qū)地表沉降預測模型,并與傳統(tǒng)支持向量機模型預測結(jié)果進行對比分析。結(jié)果顯示,基于蟻群算法的支持向量機預測模型12號、22號、24號點預測值殘差分別為0.0015~0.0028m、0.0015~0.0025m、0.0018~0.0028m,傳統(tǒng)支持向量機預測模型12號、22號、24號點預測值殘差分別為0.0055~0.0086m、0.0060~0.0078m、0.0058~0.0081m。研究結(jié)果表明,基于蟻群算法的支持向量機預測模型精度相對較高,優(yōu)于傳統(tǒng)支持向量機模型預測精度,基于蟻群算法的支持向量機預測模型預測值變化曲線更接近實測值,由此我們可以得到基于蟻群算法的支持向量機礦區(qū)地表沉降預測模型方法是可行的,在實際工程應用中具有推廣價值。
[Abstract]:The subsidence of mining area is a slow and long-term process. With the accumulation of settlement, the total amount of subsidence exceeds the maximum threshold value of the surface, and landslide and other major disasters will occur, in order to avoid the occurrence of disasters. It is imperative to monitor the ground subsidence in mining area for a long time and master its settlement law. At present, there are many forecasting methods for surface subsidence in mining area, but the traditional forecasting methods have many problems, such as large error and slow convergence rate. It is of great significance to explore an effective new method for predicting the rule of ground subsidence in mining area. Based on the research status of ground subsidence prediction and support vector machine in mining area, the ant colony algorithm is used to optimize the support vector machine. The paper introduces the basic theory of ant colony algorithm and support vector machine, mathematical model and its characteristics, and then uses improved mesh ant colony algorithm to optimize the selection of support vector machine parameters. Based on Visual Studio programming environment and C # programming language, finally, the original monitoring data is processed by using Fibonacci weighted processing method, taking the ground subsidence monitoring data of a mining area as the data source. The prediction model of ground subsidence in mining area based on support vector machine (SVM) is established and compared with the prediction results of traditional SVM model. The results show that: 1. The residual error of forecasting model 12, 22 and 24 of support vector machine based on ant colony algorithm is 0.0015 ~ 0. 0028 mN, 0. 0015 ~ 0. 0025 mL, 0. 0018 18 + 0. 0028 m, respectively, and the residual value of point 12, 22 and 24 of traditional SVM prediction model is 0. 0055 ~ 0. 0086 MN, 0. 0060, 0. 0078, 0. 0058, 0. 0081 m. respectively. The results show that, The prediction accuracy of support vector machine based on ant colony algorithm is higher than that of traditional support vector machine, and the prediction curve of support vector machine based on ant colony algorithm is closer to the measured value. From this, we can get the prediction model of ground subsidence based on ant colony algorithm, which is feasible and worth popularizing in practical engineering.
【學位授予單位】：江西理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TD327

【相似文獻】

相關期刊論文 前10條

1 張鴻雁;;基于樹狀結(jié)構(gòu)的支持向量機多分類方法[J];煤礦機械;2008年06期

2 袁曉鷹;邵元海;王震;;基于支持向量機煤炭產(chǎn)地的鑒別研究[J];潔凈煤技術(shù);2011年04期

3 陳文杰,王晶;支持向量機在工業(yè)過程中的應用[J];計算機與應用化學;2005年03期

4 胡哲;鄭誠;閔鵬鵬;;支持向量機及其應用研究[J];重慶科技學院學報(自然科學版);2008年02期

5 楊靜;殷志祥;崔健中;;支持向量機的蛋白質(zhì)遠程同源檢測方法分析[J];安徽理工大學學報(自然科學版);2009年03期

6 王永;程燦;戴明軍;孫永;;一種半監(jiān)督支持向量機優(yōu)化方法[J];工礦自動化;2010年12期

7 丁勝鋒;;一種改進的雙支持向量機[J];遼寧石油化工大學學報;2012年04期

8 鄭小霞;錢鋒;;基于小波和支持向量機的故障趨勢預報[J];計算機與應用化學;2008年01期

9 王平;;基于支持向量機的空氣降塵預測[J];科技情報開發(fā)與經(jīng)濟;2009年02期

10 劉培勝;賈銀山;韓云萍;;一種改進的簡化支持向量機[J];遼寧石油化工大學學報;2009年01期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術(shù)應用學術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：1561342