1引言大坝竣工蓄水后受到渗流水的作用这将对水工建筑物的安全.docVIP

1 引言 大坝竣工蓄水后,受到渗流水的作用,这将对水工建筑物的安全发生不利影响.当渗流要素(渗流水头\渗透坡降等)一旦超过允许值,就会出现破坏.为了掌握大坝的真实运行状态,必须对各观测物理量的实测资料进行分析.建立预报方程.这样就可以了解大坝的渗流状态,预测大坝的运行情况。 分析方法是根据渗流的基本理论,用确定性函数和物理推断选择统计模型的因子及其表达式;然后根据观测资料用数理统计法定出模型中的各项系数.常用的统计方法有回归分析、神经网络等。支持向量机是近几年刚发展起来的一种方法. 它是基于结构风险最小化原则,保证学习机器具有良好的泛化能力;解决了算法复杂度与输入向量密切相关的问题;通过引用核函数,将输入空间中的非线性问题映射到高维特征空间中在高维空间中构造线性函数判别;以统计学理论为基础,与传统统计学习理论不同.它主要是针对小样本情况,且最优解是基于有限的样本信息,而不是样本数趋于无穷大时的最优解;算法可最终转化为凸二次规划（QP）问题,因而可保证算法的全局最优性。 但是支持向量机的训练速度慢、难以解决大规模运算问题。最小二乘支持向量机(Least Squares Support Vector Ma-chine,LSSVM)采用等式约束替代不等式约束,求解过程变成解一组等式方程,避免了求解耗时的QP问题,求解速度大大加快。本文将最小二乘支持向量机应用到大坝的渗流监测中,结果显示最小二乘支持向量机算法大大提高了支持向量机的训练速度,而且预测精度比较理想,具有推广应用的价值。 2 最小二乘支持向量机回归方法 最小二乘支持向量机（Least Square Support Vector Machine，LS-SVM）是标准SVM的一个变形,它将SVM求解二次规划问题转换成求解线性方程组，避免了不敏感损失函数,大大降低了计算的复杂性。,它与标准SVM的主要区别在于采用不同的优化目标函数,并且用等式约束代替不等式约束。 支持向量机是统计学习理论的一种通用学习方法，是一种新的，很有潜力的数据分类和回归工具。对于线性回归问题：已知一组训练集，，，确定一个基于训练集的函数： (1) 来逼近未知的回归函数。把回归估计问题定义为对一个损失函数进行风险最小化的问题，利用SRM进行风险最小化时，最优的回归函数是在一定的约束条件下最小化目标函数： (2) 其中：是常数，通常称为惩罚参数，它决定了经验误差和模型复杂度之间的一种折中；是松弛变量。常采用不敏感损失函数为： (3) 最小化约束条件为： (4) 最小二乘支持向量机利用SRM构造了下面的最小化目标函数： (5) 式中，为正则化参数。同时将支持向量机算法中的不等式约束条件转化为等式约束条件： (6) 　　对最小二乘支持向量机问题，定义Lagrange函数为： (7) 式中，为Lagrange乘子。分别求对、、、的偏微分，可以得到式(7)的最优条件 消去式的w和e,得到： 我们解这个线性方程组求得b和α，进而求得最小二乘支持向量回归机函数为 （8） 对于非线性问题，可以通过非线性变换将输入向量映射到高维特征空间，转化为类似的线性回归问题加以解决。为了避免高维特征空间中的“维数灾难问题”，用输入空间的一个核函数等效高维空间的内积形式，巧妙解决了高维计算问题。 所以所要求的回归函数就为： （9） 2.1核函数的选取及参数的选择 任意满足Mercer核条件的对称函数均可作为核函数。常用的核函数有： 多项式核 ； 径向基核函数（RBF）：； Sigmoid核函数等。 在核函数中，RBF函数因其优秀的局部逼近特性应用最为广泛。 本文选择径向基核函数作为核函数。对于采用径向基核的最小二乘支持向量机的主要参数是正则化参数γ和核函数宽度Gamma，这两个参数在很大程度上决定了最小二乘支持向量机的学习和泛化能力。问题可以简化成：寻找合适的正则化参数γ和Gamma的组合，使最小二乘支持向量机有最好的预测性能。如果能够各截取γ和Gamma的一小段区间，在这两段区间构成的二维平面上，以准确率为准则，做完全搜索，就可以确定一个唯一的[Gamma，γ]组合，对应着最高准确率。虽然这个准确率不一定是在（∞,+∞）上的最优解，但却是一个可以接受的满意解。 3 最小二乘支持向量机在渗流监测中的应用 3.1