基于ε-SVR的滑坡位移预测.pdfVIP

1支持向量机基本原理 支持向量机是从线性可分情况下的最优分类面发展而来的，基本思想可用图1说明。图 中，实心点和空心点代表两类样本，H为分类线，Hl、琏分别为过各类中离分类线最近的 样本且平行于分类线的直线，他们之问的距离叫做分类问隔(margin)。所谓最优分类线就是 要求分类线不但能将两类正确分开，而且使分类间隔最大陋1。 O ● 11wlI Margin=21 图1线性可分情况下的最优分类线 2支持向量回归机 支持向量机最开始应用于分类问题，由于回归问题和分类问题很相似，在分类问题中输 出值只允许两个或多个有限值，而在回归问题中，输出值可以是任意实数。因此在回归问题 方面，支持向量机也有着很好的应用，本文所采用的就是支持向量机在回归方面的一种算法 ￡．支持向量回归机(￡-SVR)。 支持向量回归机算法：给定训练集 T=((x1，Y1)．…．(x1．Y0}∈(Rn×Y)1(z1) 其中Xl∈Rn nYi∈YJi=1一．．1，对于线性同归问题，根据此训练集在Rn上寻找一个线性函数 g(x)=(w·x)+b，通过任意输入值X推断其输出值y。对于非线性问题，我们则需要引进 一个变换(p(x)将训练数据映射到一个高维空间，把原空间的非线性回归转换成高维空问的线 性回归。在支持向量机中可以通过核函数来实现这一转换[31。常用的核函数有 (1)多项式核函数 K(x．玛)=【(x-x0+1】d (2)径向基(RBF)核函数 K(K捣)=expf一旦兰三≠坐’} (3)Sigmoid核函数 KCx,】【i)=tanhCvCx,】【1)+c) 选取核函数K(x，】cI)以及适当的精度￡和惩罚参数C，这样就可以构造并求解凸二次规划 80 问题‘‘’ 口盟‰：。三蕃l(帅埘刊K‰)+￡善I(町圳一善I州训 (2．2) 1 S．t． ∑(％一瞄)=o I=l 0 c，i=1…．，l， s玉‘’s (23) 求得解永‘)=(-1．磁，．．．．-l，可)T；这样就可以构造出决策函数 l t1 y=g(x)=2(霹一码)K(xl，x)+6 (2．4) 其中采用￡．不敏感损失函数。其含义就是当某点X的观测值Y与预测值g(x)之差不超过事 先给定的￡时，则认为该点的预测值是无损失的，表达式为 c(xJyJg(x))=Iy—gCx)l。 (2．5) 其中 Iy—g(x)I。=max{0，ly—g(x)I一￡) (2．6) 3滑坡位移预测 采用￡一支持向量回归机对滑坡位移进行位移预测，通过对滑坡的位移时间序列的监测， 可以获得滑坡位移随时间变化的一个时间位移序列((t1，x1)，(‘2，x2)，．．．，(ti，XI))，对滑坡的位 之间的非线性关系 两+1=f(x，x1)