基于模糊LS-SVM算法的大坝变形预测模型.pdfVIP

第 35卷 第 l期 水 电 自动 化 与 大 坝 监 测 Vo1．35 NO．1 2011年 2月 20 日 HydropowerAutomationandDam Monitoring Feb．20，2011 基于模糊 LS—SVM 算法的大坝变形预测模型 彭 磊，黄张裕 ，刘胜男，凌晨阳 (河海大学地球科学与工程学院，江苏省南京市 210098) 摘要：在大坝工程变形分析和预测方面，研 究 了一种基于支持 向量度的模糊最小二乘支持 向量机 (IS—SVM)算法，结合具体实例进行对比分析 ，结果表明模糊 IS—SVM 模型的预测精度要 高于 Ls— SVM 模型，且支持 向量机 (SVM)的稀疏性也优于LS—SVM 模型，可以很好地应用于大坝变形监测 分析 。 关键词 ：大坝变形分析 ；模糊最小二乘支持向量机；支持 向量度 ；剪切法；变形预测 0 引言 1 模糊 LS—SVM 算法 在工程变形分析中，变形观测数据受到随机性、 LS～SVM 算法 遵循 SRM 原则 ，通过 非线性 函 模糊性及信息不完整等因素 的影 响，对变形体 的变 数将输入空间映射到一个高维的特征空问[5]。在特 形预测存在着一定的难度 。传统的回归分析模型能 征空间中，设 ( ，Y)线性可分 ，i一1，2，… ，z，其中， 很好地解决线性变形 问题 ，但对于非线性变形数据 ∈R 为输入 向量 ，Y ∈{一1，1}为输 出类别 ，z为 会受到极大的约束 。多元 回归分析方法、时 间序列 样本数 ，采用形如 g()一∞ ()+6的表达式估计 法、灰色系统理论 、人工神经 网络 、混沌理论等在一 未知的非线性 函数 。LS—SVM 的优化 问题表述如 定程度上提高了预测精度 ，但这些理论 的应用也存 下 ： 在局限性[。支持 向量机 (SVM)理论是建立 在统 计学理论和结构风险最小 (SRM)原则基础上的，根 jQ—min{1 。+号 e2) ㈩ 据有限的样本信息 ，在模 型的复杂性和学习能力之 ls．t． 一T(xi)+6+ 间寻求 最优化 ，以期获得最 好 的推广 能力l2]。 式中：∞为权 向量 ；b为偏移量 ； (·)为映射 函数 ； SVM 算法最终得到的是全局最优解 ，解决了在神经 i一 1，2，… ，Z。 网络方法 中无法避免的局部极值 问题。 目前 ，SVM 在 LS—SVM 中，不论训练 点的位置如何 ，是否 理论 已开始应用 于大坝变形监测数据处理 中，并取 有噪声污染 ，所有 的训练点在训练 中所起 的作用是 得了较好的效果_4j。 一 样的。然而，在许多实际应用中，部分数据含有噪 最小二乘支持 向量机 (LS—SVM)是对 SVM 算 声信号，不同数据的污染程度也不同，当那些含噪声 法 的一种扩展 ，采用等式约束代替 SVM 中的不等 信号较大 的数据与其他数据 以同等权值参与训练 式约束 ，通过求解一组等式方程得到参数的解析解 ， 时，必然会影响模型的精度 。 避免了SVM 中在对偶空 间求解二次规划问题。在