基于概率统计分析的SVM模型在大坝变形预测中的应用.pdfVIP

2015年4 月 城 市 勘 测 Apr.2015 第2期 Urban Geotechnical Investigation Surveying No.2 - - - 文章编号：1672 8262（2015）02 125 04 中图分类号：TU413，TV698.1 文献标识码：A 基于概率统计分析的SVM模型在大坝变形预测中的应用 朱冬* （漳州市测绘设计研究院，福建漳州 363000） 摘 要：支持向量机对大坝变形进行预测的过程中，需要输入影响因子，如果不对影响因子直接处理，直接将大量的影 响因子输入到支持向量机模型（SVM）中，势必会造成数据的冗余，同时，影响因子与影响因子之间存在着关联性，从 而造成影响因子输入的重叠效应，另外，在输入影响因子过程中，很难保证影响因子输入的完整性，针对此，本文将概 率统计的主成分分析（PPCA）引入到大坝变形影响因子预处理中，利用该模型可实现对缺失数据的提取，并将提取的 数据作为SVM模型的输入因子，再利用设定的模型进行数据的拟合及预测，便可获得较为稳定的大坝变形分析结果。 关键词：PPCA；PCA；SVM；变形；预测 1 引 言 主成分进行数据处理过程中，速度和精度得到了很高 以往大坝变形分析过程中，需要先获取大坝变形 的提升。 的影响因子，将大坝变形的影响因子输入到SVM模型 中，在利用SVM模型对其进行训练，获得适宜的训练 2 PPCA模型 参数，在将训练参数输入到模型中，对预测样本进行预 首先就得确定概率模型，在概率模型确定之后，再 测，从而可获得预测值［1］。 计算原始观测变量的概率分布。同时确定原始变量在 在对大坝变形影响因子进行分析过程中，为了能 给定潜在变量前提下的条件分布，潜在变量在给定原 够准确地对变形进行分析，需要采集大量的大坝变形 始变量下的条件分布，其具体的PPCA模型如下所示： 影响因子，大量影响因子虽然可以提高变形预测的精 （1）首先给出观测变量的潜在变量Z，利用潜在变 度，但同时也会造成数据的冗余，造成预测效果的降 量计算出原始观测变量X 的条件分布，再根据正态分 低。为了提高大坝变形预测效果，传统的方法都是采 布的相关属性特征［5~8］计算出期望和条件方差。 = + + = + 用PCA方法对其进行降维处理，获得维数较低的影响 E（X︳Z）E（WZ μ ε ︳Z）WZ μ （1） 因子，再将该影响因子输入到SVM模型中，对其进行 = + + - - + + - COV（X︳Z）E［（WZ WZ ）（WZ WZ μ ε μ μ ε T 2 训练和预测，从而可获得较为准确的变形预测结果。 - =