發(fā)布時間：2019-07-25 06:49

【摘要】：為提高監(jiān)測資料有缺失的大壩變形預測模型精度,采用支持向量機方法建立一種具有小樣本、高維、非線性的預測模型,并結合對其重要組成部分核函數的分析應用,提出一種根據結構風險最小化的TW-SVM預測模型。以某堆石壩為例進行研究,利用壩坡垂直位移和水平位移的監(jiān)測數據,分別采用TW-SVM方法和BP神經網絡(NET)方法建立相應預測模型進行比較分析。結果表明:采用TW-SVM方法和NET方法預測的垂直位移最大絕對誤差分別為0.58 mm和6.18 mm,最大相對誤差分別為270.00%和1 286.22%;采用TW-SVM方法和NET方法預測的水平位移最大絕對誤差分別為0.25 mm和14.91 mm,最大相對誤差分別為31.25%和1 189.85%;TW-SVM預測模型比NET預測模型更適合于影響因素為時間、水位的小樣本預測分析。研究結果為堆石壩變形預測與分析提供參考。
【圖文】：

中體現出明顯的優(yōu)勢，其理論及應用也隨之迅速發(fā)展和完善［4］，其重要參數核函數是將復雜的非線性問題轉化為某個高維空間的線性問題的關鍵，不同的核函數可解決不同性質的非線性問題［5－7］。本文針對與大壩變形監(jiān)測數據相關的時間、水位兩類影響因素特點，選用兩種不同的核函數分別簡化其樣本數據之間的復雜關系，提出一種TW－SVM預測模型，基于某堆石壩的變形監(jiān)測數據進行預測分析，并與BP神經網絡方法所建預測模型結果進行精度比較，證明了該模型具有更好的預測精度，在工程實踐中具有一定的推廣價值。圖1堆石壩主要橫斷面及監(jiān)測點位置設計(單位:m)1TW－SVM預測方法SVM方法能夠根據統(tǒng)計學習理論中結構風險最小化原理較好的解決了小樣本建模問題，并且采用基于點積運算理論的核函數將復雜的非線性問題轉化為某個高維空間的線性問題來解決。核函數的基本作用就是轉換低維空間里的向量，使得計算出在高維空間里經過相應變換的向量內積值［8］。不同的點積核函數將形成不同的算法，，滿足Mercer條件的點積函數K(x→i，x→j)稱之為核函數，常用公式詳見文獻［9］。樣本因素中的時間因素，若為連續(xù)的時間段，采用線性核函數來進行降維簡化;若為不連續(xù)的時間段，采用多項式核函數進行降維簡化。水位因素可采用徑向基核函數進行降維。即采用不同的核函數來解決時間和水位兩類樣本因素的支持向量機方法為TW－SVM預測方法，所建預測模型為TW－SVM預測模型，基于本文算例，相應數學表達式如下f(x→)=α*1K線性(x→i·x→)+α*2K徑向基(x→i·x→)+b*(1)式中，α*i為被選中的支持向量系數;b*為分類閾值。2工程應用2.1工程概況河南省某水庫的控?

蔚畝縞糠治黿峁鉖嘣時疚?將同一高程的各個監(jiān)測點的年平均監(jiān)測值作為預測模型的預測對象;影響大壩變形量的因素可作為預測模型的樣本因素，本文重點分析了監(jiān)測年份和相應最高庫水位兩類樣本因素。即可針對不同監(jiān)測點所測的垂直位移和水平位移各建立14個預測樣本，如表1所列。2.3大壩變形預測分析為了比較分析SVM預測模型的適用性，先將樣本數據進行歸一化處理，再依據神經網絡方法和SVM方法分別建立兩套預測模型，最后采用2003、2004、2005三年的樣本數據進行預測模型的精度檢驗及對比分析。分析思路如圖2所示。圖2堆石壩變形預測分析流程2.3.1垂直位移預測分析基于SVM方法和神經網絡方法，采用1—11號樣本分別對圖1所示的3個監(jiān)測點所得垂直位移建立兩類預測模型，采用12—14號樣本中的實測位移數據分別于預測位移值進行對比分析，如圖3—圖5所圖3監(jiān)測點1的垂直位移實測值與預測值分布示。采用SVM方法預測的垂直位移與實際監(jiān)測值均較為接近，最大絕對誤差僅為0.58mm，相對誤差最大為270.00%;采用神經網絡方法的預測值與實際監(jiān)測值偏差較大，最大絕對誤差達到6.18mm，相對誤差最大為1286.22%。具體誤差分析如表2所列。111
【作者單位】： 黃河水利職業(yè)技術學院;小流域水利河南省高校工程技術研究中心;開封市引黃管理處;
【基金】：河南省高等學校青年骨干教師資助項目(2013GGJS-197) 黃河水利職業(yè)技術學院科研基金項目(2014QNKY013)
【分類號】：TV698.1

【參考文獻】

相關期刊論文 前6條

1 肖兵;宋志誠;屠丹;李華斌;張勝利;;基于PSO-SVM模型的面板堆石壩堆石料參數反演分析[J];水電能源科學;2015年03期

2 劉大寧;楊永樂;白林;;SVM核函數對分類精度影響的研究[J];佳木斯大學學報(自然科學版);2012年04期

3 王春燕;夏樂天;孫毓蔓;;基于不同核函數的SVM用于徑流預報的比較[J];人民黃河;2010年09期

4 陸榮秀;;混合核函數支持向量機在系統(tǒng)建模中的應用[J];華東交通大學學報;2010年02期

5 楊海燕;周永權;;一種支持向量機的混合核函數[J];計算機應用;2009年S2期

6 張治強,馮夏庭,楊成祥,林韻梅;非線性位移時間序列分析的遺傳神經網絡方法[J];東北大學學報;1999年04期

相關碩士學位論文 前1條

1 袁會娜;基于神經網絡和演化算法的土石壩位移反演分析[D];清華大學;2003年

【共引文獻】

相關期刊論文 前10條

1 代凌輝;侯景梅;郝曉宇;許曉瑞;;基于TW-SVM預測模型的某堆石壩變形預測分析[J];水利水電技術;2017年03期

2 趙朝賀;;一種改進的支持向量機參數優(yōu)化方法[J];地理空間信息;2017年01期

3 晏志超;姚亮;韓超;;一種基于混合核函數SVM的人臉識別方法[J];四川理工學院學報(自然科學版);2016年03期

4 黃存捍;陳魁奎;李振華;李小軍;;基于相空間重構和支持向量機的礦井涌水量預測[J];河南理工大學學報(自然科學版);2016年02期

5 傅軍棟;鄒歡;康水華;;PSO-SVM算法在智能建筑環(huán)境監(jiān)控系統(tǒng)中的應用[J];華東交通大學學報;2016年01期

6 沈文浩;劉章;葉文軒;焦東;;基于數據的廢紙配比預測紙漿白度的研究[J];中國造紙;2015年10期

7 童曉;孫衛(wèi)紅;李強;;一種改進PSO-LSSVM算法在鍋爐燃燒優(yōu)化中的應用[J];制造業(yè)自動化;2015年02期

8 馬爾侖;鄭艷楠;;SVM分類法的參數優(yōu)化研究——以黃河口濕地應用為例[J];價值工程;2015年01期

9 曹洋兵;晏鄂川;龍黎紅;王琪;;崩滑災害位移曲線典型類型及其形成機制[J];地質科技情報;2014年05期

10 劉欣;朱元清;胡林華;雷志良;;基于混合核函數的雷達輻射源信號識別[J];電腦開發(fā)與應用;2014年06期

相關碩士學位論文 前10條

1 張一銘;基于位移反分析的隧道洞口段圍巖參數確定及施工應用[D];廣西大學;2016年

2 郭靖;參數反演下堆石壩變形受水位變化影響分析[D];大連理工大學;2015年

3 陳小雨;隧道結構開裂病因力學正演分析[D];西南交通大學;2015年

4 端木杰超;深切河谷地應力場分析研究[D];長江科學院;2014年

5 張冬青;基坑排樁支護水平位移反演結構內力和土壓力的方法研究[D];西南交通大學;2014年

6 李旭峰;錦屏水電站右岸拱肩槽邊坡動態(tài)監(jiān)測反饋分析研究[D];西南交通大學;2013年

7 文輝輝;隧道圍巖力學參數反分析研究[D];長江科學院;2012年

8 宋春暉;地鐵車站深基坑土體參數動態(tài)反演分析及變形預測[D];河南工業(yè)大學;2011年

9 周宇龍;基于遺傳算法的堤防材料動力特性反演分析[D];鄭州大學;2010年

10 單宏偉;高面板堆石壩模型參數反演及應力變形分析[D];清華大學;2008年

【二級參考文獻】

相關期刊論文 前10條

1 酈能惠;楊澤艷;;中國混凝土面板堆石壩的技術進步[J];巖土工程學報;2012年08期

2 郭光緒;;支持向量機的缺陷及改進算法[J];計算機與現代化;2012年02期

3 張戰(zhàn)成;王士同;鄧趙紅;Chung Fu-lai;;支持向量機的一種快速分類算法[J];電子與信息學報;2011年09期

4 顧亞祥;丁世飛;;支持向量機研究進展[J];計算機科學;2011年02期

5 張睿;馬建文;;支持向量機在遙感數據分類中的應用新進展[J];地球科學進展;2009年05期

6 向崢嶸;劉松青;;基于LS-SVM的稀土萃取組分含量軟測量[J];中國稀土學報;2009年01期

7 李彥彬;黃強;徐建新;張澤中;;河川徑流中長期預測的支持向量機模型[J];水力發(fā)電學報;2008年05期

8 張偉;何新林;劉兵;;SVM在瑪納斯河流域徑流預測中的應用與研究[J];人民黃河;2008年05期

9 陸榮秀;;基于支持向量機的稀土萃取過程建模方法[J];華東交通大學學報;2008年01期

10 許勇剛;楊輝;;基于RBF網絡的稀土萃取過程組分含量軟測量[J];稀土;2007年05期

【相似文獻】

相關期刊論文 前10條

1 張成;王興春;;空中機動目標航路預測模型[J];火力與指揮控制;2007年09期

2 李楷;;論汽車整車庫存預測模型的構建[J];現代商貿工業(yè);2008年05期

3 趙國清;張少勇;;關于成長曲線預測模型參數識別的一點看法[J];哈爾濱科學技術大學科學報告會論文摘要匯編;1985年S1期

4 左常勇;;隨機疲勞壽命分布預測模型[J];機械強度;1988年02期

5 ;《節(jié)能管理和預測模型》[J];中國能源;1991年08期

6 劉沐宇,鄭澤岱;灰色預測模型及在巷道收斂位移中的應用[J];非金屬礦;1992年05期

7 張步涵;鄭琢非;;灰色預測模型在農電規(guī)劃中的應用[J];水電能源科學;1993年02期

8 陳淑敏;王秀英;;指數預測模型及參數識別[J];哈爾濱科學技術大學學報;1993年03期

9 陳傳波,劉廣宇;實時參量預測模型及其分析[J];湖北工學院學報;2001年04期

10 梅國建;張向波;徐宗昌;溫再華;;基于支持向量分類的裝備完好性預測模型[J];裝甲兵工程學院學報;2009年01期

相關會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預測[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應神經模糊推理系統(tǒng)的服務業(yè)發(fā)展預測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預測模型的選擇及其智能化實現[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預測模型及應用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預測模型及其比較研究[A];2004年中國管理科學學術會議論文集[C];2004年

6 馬志元;;城市區(qū)域經濟、人口、能源、環(huán)境綜合系統(tǒng)預測模型及應用[A];中國城市建設與環(huán)境保護實踐——城市建設與環(huán)境保護學術研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產量的灰色預測模型[A];中國現場統(tǒng)計研究會第十三屆學術年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經網絡的糧食產量預測模型[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前10條

1 劉慶;“預測模型”要緩行[N];網絡世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設計價格預測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習生 周鵬程;預測世界杯之外 大數據還能做什么[N];南方日報;2014年

4 本報記者 張超;預測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預測智能：管理復雜基礎架構的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構建利潤預測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應”[N];第一財經日報;2005年

9 本報記者 湯潯芳　實習記者 董文萍;“孵化器”模式：大數據的垂直運營樣本[N];21世紀經濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關博士學位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預測模型研究[D];中國地質大學;2015年

2 張麗;牦牛肉用品質特性及近紅外預測模型和產量等級系統(tǒng)的研究[D];中國農業(yè)科學院;2015年

3 吳利豐;分數階灰色預測模型及其應用研究[D];南京航空航天大學;2015年

4 王菲;肉牛飼料有效能值預測模型的建立與評價[D];中國農業(yè)大學;2016年

5 文江平;農村地區(qū)成人2型糖尿病發(fā)生風險相關生物標志物的篩選及預測模型的建立[D];中國人民解放軍醫(yī)學院;2016年

6 白云鵬;華法林穩(wěn)態(tài)劑量預測模型在瓣膜置換術后抗凝治療中的應用[D];天津醫(yī)科大學;2016年

7 孫鵬;風電機組狀態(tài)異常辨識廣義模型與運行風險評估方法研究[D];重慶大學;2016年

8 馬新;基于灰色系統(tǒng)與核方法的油藏動態(tài)預測方法研究[D];西南石油大學;2016年

9 周闖;原發(fā)性肝癌術后轉移復發(fā)分子預測模型的優(yōu)化整合與臨床轉化[D];復旦大學;2012年

10 孫忠林;煤礦安全生產預測模型的研究[D];山東科技大學;2009年

相關碩士學位論文 前10條

1 劉冰;基于神經網絡的纖維熱磨過程能耗預測模型的研究[D];東北林業(yè)大學;2015年

2 張念;鐵路軌道幾何不平順趨勢預測的關鍵算法研究[D];西南交通大學;2015年

3 田振偉;城市能源預測模型的研究與應用[D];昆明理工大學;2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預測模型[D];中國地質大學(北京);2015年

5 齊雯;采用灰色預測模型改進的HHT算法在故障診斷中的應用[D];華南理工大學;2015年

6 王萍;膀胱癌遺傳分數的計算及發(fā)病風險預測模型的構建[D];復旦大學;2013年

7 石大宏;基于序列的蛋白質—核苷酸綁定位點預測研究[D];南京理工大學;2015年

8 熊盛華;基于BP神經網絡的混合預測模型的實例研究[D];蘭州大學;2015年

9 趙Z

本文編號：2518913