支持向量机在地下工程中的应用研究.pdf

摘受 摘 要 Vector c维理论衣I Machines简称SVM)是在统计学习理论的V 支持向量})[(Support 结构风险最小化原则的基础上提出的‘种瓤的机器学习方法。它追求的是在现有信息(即 询。限样本)情况F的晟优解而不仅仅是样本数趋于无穷时的最优解，并且比经验风险原 理的神经网络学习算法具有更强的理论依据和更好的泛化性能；算法足一个_二次优化问 题，能够保证找到极值解是全局最优解，解决了在一些人工智能方法中无法避免的局部极 值问题：算法将实际问题通过非线性变换到高维的特征空间，在高维空间中构造线性判 别函数实现原空间中的非线性判别函数，特殊性能保证了学习机器有较好的推广能力及 极强的非线性系统建模能力，也巧妙地解决了维数灾难问题。 鉴于支持向量机具有良好学习性能和潜在应用价值，有望解决地下工程中许多问题， 本文尝试将其应用于地下工程领域。主要进行了如下工作： 1．简单介绍了支持向量机的理论基础——统计学习理论。 2．从简单的线性SVM到非线性SVM分类情形详细论述了支持向量机的训练和决 策过程，并对训练算法做了总结。 3．依掘支持向量机原理，建立了基于支持向量机的回归模型，并通过MATLAB语 苦编程，把此模型应用于华蓥山隧道YK37+215断面拱顶下沉位移监测数据的预测和华 丰煤矿巷道两帮破坏范围回归分析中。 4．提出基于支持向量机的岩体分类算法，建立了基于支持向量机的岩体分类模型， 并成功地实现了此模型在广州抽水蓄能电站二期工程围岩分类及岩石三性综合分级中的 应用。 ． 结果显示，支持向量机应用于岩体分类和地下工程监测数据的回归分析及预测不仅 完全可行，而且与其它人工智能方法相比较具有需要学习样本少、预测精度高、非线性 动态数据处理能力强及非线性系统建模性能好等优点，是一个新颖而有发展li{『途的研究 方向。 关键词： 统计学习理论支持向量机回归分析岩体分类 坐奎i!塾叁兰堡：!=兰堡丝壅 ．————————————————!堕 Abstract onVC isanew whichisbased Machine Vector paUernrecognitiontechnology Support it．SVM ofStatistical andStructuralRiskMinimizationof Dilnension Theory theory Learning been whichisnot the the resultfromtheinformation canobtain havinggained only optimum are andhasmuch andbetter resultwhenthe infinite strongertheory optimum