隨著我國經(jīng)濟的快速發(fā)展,邊坡的種類與數(shù)量越來越多,但是由于各種原因導致邊坡變形失穩(wěn)而造成的滑坡、崩塌等災害也時常發(fā)生,因此對邊坡進行變形監(jiān)測以及預測其變形趨勢是必要的。然而邊坡變形監(jiān)測數(shù)據(jù)具有隨機性和復雜性等特征,傳統(tǒng)的SVM模型并不能取得較高的精度,從而提出一種基于改進粒子群算法(IPSO)優(yōu)化的小波核函數(shù)支持向量機(WSVM)模型應用于邊坡變形預測。首先針對標準PSO算法的不足提出了三條改進策略。其一,為了改善初始粒子種群的質量,提高種群的多樣性,通過均勻分布的方式代替標準PSO算法完全隨機的方式進行種群初始化,在兼顧初始種群隨機性的同時使其均勻地分布在解空間;其二,標準PSO算法中線性遞減慣性權重的方式存在一定的局限性,引入了余弦函數(shù)對其進行改進,更好地平衡了算法的全局尋優(yōu)能力與局部尋優(yōu)能力;其三,標準PSO算法容易陷入局部最優(yōu),因此提出了粒子淘汰機制,每次迭代過后將一小部分適應度較差的粒子重新初始化,在保證適應度較好粒子的尋優(yōu)路徑的同時,極大程度的增加算法跳出局部最優(yōu)的能力;最后通過測試函數(shù)進行尋優(yōu)實驗,實驗結果表明IPSO算法的尋優(yōu)精度優(yōu)于標準PSO算法,且提高了算法的收斂速...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 邊坡變形預測研究現(xiàn)狀
        1.2.2 支持向量機研究現(xiàn)狀
    1.3 本文主要研究內容
    1.4 文章結構安排
第二章 粒子群算法及其改進研究
    2.1 標準粒子群算法
        2.1.1 算法基本原理
        2.1.2 PSO算法實現(xiàn)步驟
    2.2 改進的粒子群算法
        2.2.1 標準粒子群算法改進策略
        2.2.2 改進的粒子群算法(IPSO)實現(xiàn)步驟
    2.3 IPSO實驗及結果分析
    2.4 本章小結
第三章 支持向量機及小波核函數(shù)構造
    3.1 統(tǒng)計學習理論基礎
        3.1.1 學習問題的基本模型
        3.1.2 經(jīng)驗風險最小化
        3.1.3 VC維
        3.1.4 結構風險最小化
    3.2 支持向量機
        3.2.1 最優(yōu)分類超平面
        3.2.2 線性支持向量機
        3.2.3 非線性支持向量機
        3.2.4 支持向量回歸機
    3.3 小波核函數(shù)構造
        3.3.1 常用核函數(shù)特性分析
        3.3.2 小波核函數(shù)
    3.4 SVM模型參數(shù)影響分析
    3.5 本章小結
第四章 邊坡變形預測模型構建及實現(xiàn)
    4.1 模型評價指標
    4.2 基于IPSO優(yōu)化的WSVM邊坡變形預測模型構建
    4.3 基于IPSO-WSVM模型邊坡變形預測系統(tǒng)實現(xiàn)
        4.3.1 邊坡變形預測系統(tǒng)總體設計
        4.3.2 邊坡變形預測系統(tǒng)功能設計
        4.3.3 邊坡變形預測系統(tǒng)實現(xiàn)
    4.4 本章小結
第五章 工程應用
    5.1 工程概況
    5.2 花坪子邊坡變形預測
    5.3 甘田壩邊坡變形預測
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：3751752