改进支持向量机在大坝变形预测中的应用研究.pdf

2017年2 月 城 市 勘 测 Feb .2017 第 1期 Urban Geotechnical Investigation Sur^^eying No .1 文章编号= 1672-8262(2017) 01-126-03 中图分类号:TU196 文献标识码：B 改进支持向量机在大坝变形预测中的应用研究 刘敏|!t ,郑上雄2 * ( 1 . 江门市勘测院有限公司，广 东 江 门 529000; 2 . 江西理工大学，江 西 赣 州 341000) 摘 要 ：支持向量机算法进行建模的过程中，选取合适的核函数以及相关的参数组合是最重要的部分，参数选取的好 坏将直接影响到预测结果的精度。本文采用基因表达式编程算法对支持向量机算法进行参数组选取，得到改进支持 向量机算法并将其应用于具体工程实例之中。结果表明改进支持向量机大坝变形预测模型比传统支持向量机大坝 变形预测模型得出的预测结果的精度提高了近3 倍 ，从而说明基于基因表达式编程的改进支持向量机的预测模型在 大坝变形预测中具有良好的预测效果。 关键词：大坝变形；支持向量机;基因表达式编程;预测模型；精度 1 引 言 量，它是事先被定好的数值，数值定好之后得到一个分 支持向量机 （Support V ector M a c h in e ,简称 S V M ) 类器，根据样本数据测试，如果测试不及格，就换一个 算法在数据样本范围较小时，也能获得满意预测值，其 C 值，如此循环寻优，直到找出符合条件的C 值为止， 主要思想是当经验风险降低的时候，期望风险的主界 但是这和优化本身不同，惩罚因子C 始终是个定值。 值也能降低，在原有小范围数据的基础上，保证模型能 2 . 2 松弛变量e 获得满意的预测精度。在处理非线性问题上，由内积 松弛变量e 则代表相对应点的离群程度，其值越 函数架构的非线性变换可把输人空间转换成一个高维 大，就代表点离的更远。它能协调经验风险和推广性 空间，并在这个高维空间中寻找输人与输出变量之间 能两者之间的关系，起到平衡作用。 的非线性关系[1]。大坝变形受到温度、时效因子以及 2. 3 核参数g 水位等因素影响，所以其变形值呈现出非线性的特 核参数g 代表了核函数性能的优劣。若 g 过大， 性[2]，将 S V M 算法于大坝沉降影响因子建立起数学模 则模型泛化能力弱;若g 过小，则模型相关性弱，所以 型能有效预测出大坝的变形情况。然而，S V M 进行建 选取适当的核参数也是本文的核心部分。 模的过程中，选取合适的核函数以及相关的参数组合 是最重要的部分，参数选取的好坏将直接影响到预测 3 改 进 S V M 大坝变形预测模型的建立 结果的精度，基于此本文采取用基因表达式编程算 改进 S V M 建模的中心思想是:将参数组合群进行 法[3] (G ene Expression P rogram m ing ,简称 G E P )进行对 初始化，通过 G E P 算法对参数组合群进行基本的遗传 其进行参数选取，利用 G E P 强大的全局搜索能力寻找 操作，计算每个个体组合的适应值，若达到计算精度， 出支持向量机的最佳参数组合[4]，建立经基因表达式 则进化结束;若没有达到计算精度则继续进行循环操 编程优化的支持向量机大坝变形预测模型[5~9]。 作，直到寻找出最优参数组合[10]。 把监测点原始值分为两组，第一组当作训练样本， 2 S V M 大