基于神经网络的建筑物地基沉降预测的研究.pdfVIP

3．3学习样本和测试样本的选择 本文以有关文献中的20个深基坑实例中的15个作为学习样本，按照前面的方法建立 相应的支持向量机模型，然后对另外的5(未参加学习)个进行预测。最终确定的支持向 量机参数C=24077，核函数为RBF核函数，对应的参数a=156。 3．4切预测结果及其分析 利用上面建立的预测模型对另外的5个深基坑支护结构最大侧向位移进行预测，预测 结果可以看出该方法预测的变形值与实测值基本接近，最大相对误差小于13％，完全能够 满足工程上的应用。同时也说明支持向量机可以很好地表达深基坑变形与其影响因素之间 的非线性映射关系，并且该模型具有很好的推广预测能力，因此，采用支持向量机方法进 行深基坑变形预测是可行的，为深基坑变形预测提供了一种新途径。 4结论 通过本文对支持向量机在深基坑变形预测中的研究可以得出以下几点结论： (1)深基坑变形受很多因素的影响，并且他们之间的关系是高维的、高度非线性的、 复杂的关系，用传统的建模方法很难处理，本文的支持向量机方法很好地处理了这种关系。 (2)利用支持向量机进行建模比较简单，不需要对数据进行过多的预处理，并且由于 支持向量机算法对应的为二次规划问题，找到的解为全局最优解。 (3)岩土工程中的很多问题用传统方法很难给出一个确定的模型，用支