基于支持向量机模型的建筑物沉降预测.pdfVIP

第43卷第12期 数学的实践与认识 V01．43，No．12 2013年6月 MATHEMATICSINPRACTICEANDTHEORY Jun．，2013 ，··’·’·，、 l工 程l ～。·。·。·。·。·tl一 基于支持向量机模型的建筑物沉降预测 陈继光 (山东英才学院建工学院，山东济南250104) 摘要：针对建筑沉降发生的过程，采用支持向量机(SVM)模型对建筑物沉降进行 预测．使用前期施工过程中的沉降观测数据作为训练样本集，建立现场动态沉降量 预报模型．仿真试验和实践结果表明，模型与BP神经网络预测模型相比能够更准 确地反映实际沉降过程，且满足精确性和适用性的要求． 关键词：工程建筑物；支持向量机(SVM)；沉降预测 建筑物沉降预测是工程建设中亟待解决的一大技术难题．目前基于部分初期实测沉降数 据的沉降预测方法主要有曲线拟合、经验公式、灰色理论方法和人工智能预测，这些方法在 当前土体固结理论尚不完善，还不能从理论上精确计算建筑物的沉降量的情况下，在一定程 度上提高了建筑物施工沉降预测的精度和可靠性，但也存在着严重的不足之处．传统的曲线 拟合法和灰色理论等数据建模方法大多将建筑物的时间一沉降曲线假定为某一数学模型，利 用已获得的试验数据确定该数学模型中的各个参数，外推或估算建筑物的地基的沉降值，由 于地基的复杂特性和无法考虑施工中不同加载情况，所得的结果与实测值往往都存在着较大 偏差． 数据的机器学习问题是人工智能研究领域的一个重要方面，其研究的主要方向从一组观测数 据集的数据出发，得到一些不能通过原理分析而得到的规律，从而利用这些规律对未来的数 据或者无法观测到的数据进行预测和分析．而建筑物沉降预测建模使用的BP神经网络，虽 然具有很好的学习能力，可以有效地处理因素间的非线性关系，同时对于问题的适应能力也 很强．但是，这类BP神经网络方法要求较大数量的初始观测值作为网络结构训练构建样本， 且其最终解过于依赖初值，收敛速度比较慢，其最终解在通常情况下仍非最优解．针对这些缺 vector 点，本文采用基于支持向量机建立建筑物后期沉降预测模型，支持向量机模型(support 年提出的一种有限样本下，处理统计学习的方法．支持向量机模型(SVM)目前已经成功地 推广到模式识别、函数拟合等领域．在建筑工程领域，SVM方法也得到了一定的应用．由于 建筑物沉降预测的复杂性，在沉降与沉降影响因素之间存在着很强的非线性关系，而SVM方 法可以很好地完成输入数据与输出数据之间的非线性映射，同时提高泛化能力．基于支持向 量机方法建立了建筑物后期沉降预测模型，通过比较实测沉降数据、BP神经网络预测模型 收稿日期：2011．0910 万方数据 138 数学的实践与认识 43卷 预测结果精度对比，用工程实例说明了SVM模型推算后期沉降更能反映实际沉降过程． 1支持向量机(SVM)模型结构 支持向量机模型是建立在统计学习理论，根据结构风险最小化(SRM)准则，尽量提高了 学习机的泛化(预测)能力，较好地解决了小样本、非线性、高维数和局部极小点等问题．其 基本思想概括起来是通过非线性变换将输入空间变换到一个高维空间，在这个新空间中求解 一有约束的凸二次规划问题，可以得到唯一的全局最优解，它成功的避免了其他神经网络计 算中的网络结构难于确定、过学习和欠学习以及陷入局部极小等问题，被认为是目前针对小 样本分类和回归等数学问题的最佳神经网络系统．根据有限的样本信息，在模型的复杂和学 习能力之间寻求最佳折衷，以期获得最好的推广能力，图1为SVM结构示意图． 图1SVM结构示意图、 执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所 涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多应 用问题． 下面将LibSVM软件运用到建筑物沉降预测领域，给出其建立模型的过程，步骤如下：