【摘要】：邊坡失穩(wěn)所帶來的危害非常大,對于自然邊坡和一些大型工程邊坡,一旦發(fā)生邊坡失穩(wěn)事件,往往能夠改變一個區(qū)域的地貌特征,進而對這個區(qū)域周圍的人居環(huán)境造成重大影響。邊坡災(zāi)害所帶來的損失動輒上億甚至幾十億,而預(yù)防這些邊坡變形發(fā)生所需要的成本遠遠小于災(zāi)害發(fā)生之后的重建恢復工作,因此,對邊坡變形進行科學有效的預(yù)測就顯得尤為重要和緊迫。本文根據(jù)邊坡變形的相關(guān)特點,提出運用支持向量機方法對邊坡變形進行預(yù)測研究,并且對于傳統(tǒng)網(wǎng)格法搜索速度過慢、精度不高的缺陷,提出一種基于改進網(wǎng)格搜索法的支持向量機方法,實驗結(jié)果表明本文提出的新算法對比傳統(tǒng)算法在運算時間和精度兩個方面都有了較好的提升。本文的研究工作主要包括以下幾個方面:1)概述支持向量機的基本理論和它的核函數(shù)的種類以及應(yīng)用類型,引入了支持向量機核函數(shù)的參數(shù)尋優(yōu)問題。2)面對核函數(shù)的相關(guān)參數(shù)尋優(yōu)問題還沒有統(tǒng)一的理論,本文分析了傳統(tǒng)網(wǎng)格搜索法參數(shù)尋優(yōu)和粒子群搜索法參數(shù)尋優(yōu),結(jié)合兩者的劣勢和優(yōu)勢,提出了改進網(wǎng)格搜索法的支持向量機。針對傳統(tǒng)網(wǎng)格法的搜索速度過慢,精度不高的缺點,利用粒子群算法在前期能夠快速收斂于種群最優(yōu)解的優(yōu)勢,在算法初期引入對整個算法進行加速,使算法快速定位到最優(yōu)區(qū)間附近,同時在算法后期,改為使用小步長的網(wǎng)格搜索法在粒子群算法所確定的種群最優(yōu)解附近的小區(qū)間內(nèi)進行第二次精細搜索,在一定程度上幫助算法跳出前期快速尋優(yōu)導致的可能陷入的局部最優(yōu)解,從而達到全局最優(yōu)解。3)將建立的基于改進網(wǎng)格搜索法的支持向量機應(yīng)用于邊坡變形預(yù)測,通過兩個邊坡變形實例驗證改進算法的優(yōu)劣,最后的實驗結(jié)果表明:在兩個工程實例的邊坡變形預(yù)測中,對比傳統(tǒng)網(wǎng)格法SVM和遺傳算法SVM,改進的網(wǎng)格搜索法支持向量機在平均相對誤差和運算時間上更具優(yōu)勢。另一方面,新算法所得預(yù)測的均方誤差和平方和誤差也都遠小于另外兩種算法,這說明改進的網(wǎng)格搜索法支持向量機具有更好的預(yù)測精度、運算速度與穩(wěn)定性,有實際應(yīng)用價值。
【學位授予單位】：江西理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TU433
【圖文】：

技術(shù)路線圖

第二章 統(tǒng)計學習理論與支持向量機第二章 統(tǒng)計學習理論與支持向量機2.1 統(tǒng)計學習理論20 世紀中葉，計算機的誕生標志著人類進入了一個新的發(fā)展階段，緊隨其后的便是計算機技術(shù)呈現(xiàn)出爆炸式的發(fā)展，在這個大背景下，一些在原有條件下無法實現(xiàn)的技術(shù)開始被提出，機器學習就是其中一個重要的分支，如圖 2.1 所示。它研究計算機去模仿人類對樣本數(shù)據(jù)進行學習、觀測并且分析對象，并最終去預(yù)測未來。緊接著在 20 世紀 60 年代，Vapnik 等人提出了統(tǒng)計學習理論（Statistical Learning Theory，簡稱 SLT）。統(tǒng)計學習理論和傳統(tǒng)意義上的統(tǒng)計學略有不同，是一種專門致力于研究和解決小樣本數(shù)量的機器學習理論。

第二章 統(tǒng)計學習理論與支持向量機，使得這個函數(shù)集中的子集滿足圖 2.1。nS S S S123其中這個函數(shù)集中的子集 {(,),}kkS fxww ，每個子集都對應(yīng)一,且各個子集的 VC 維也滿足如下關(guān)系：kh h h h123這時就可以在函數(shù)集f ( x,w),w 中挑選一個函數(shù)，使其能同時確和置信范圍的最小化。

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 文銀平;胡志祥;趙文光;朱宏平;;利用網(wǎng)格搜索進行地球橢球面閃電定位[J];武漢大學學報(信息科學版);2010年09期

2 姚志祥;王椿鏞;樓海;;利用基于圍陷波波形相關(guān)的網(wǎng)格搜索法確定昆侖山斷裂帶結(jié)構(gòu)參數(shù)[J];地球物理學報;2010年05期

本文編號：2811002