基于FOA―SVR算法边坡稳定性预测方法和其软件设计.doc

基于FOA―SVR算法边坡稳定性预测方法和其软件设计 　　摘 要：针对一般边坡失稳预测方法的样本归一化处理、选择经验核函数等带来的预测误差，本文利用果蝇优化算法优化支持向量回归的回归参数（ FOA-SVR ），选择“bspline”核函数，对于边坡训练样本不做归一化处理，通过训练来对边坡稳定性进行预测，并且利用MATLAB编程将上述算法可视化，开发出了基于FOA-SVR的边坡预测软件。算例的计算结果显示，预测值和实际值一致，算法精度较高，而且软件系统稳定，界面简洁，具有很强的实用性。 关键词：边坡稳定性预测；回归支持向量机；果蝇优化算法 FOA-SVR 目前，边坡稳定性的分析方法有很多，如工程地质分析[1，2]、极限平衡分析法[3，4]、极限分析法[5，6]、数值分析方法（有限元法、有限元强度折减法）、可靠性分析方法等。但是，这些传统方法大都遇到了“机制不清楚”、“ 参数给不准”、“ 模型给不准” 等瓶颈问题。这些评价方法往往不能动态的显示出地质数据的非线性、模糊性、混沌性和复杂性等特征。于是，许多学者考虑用神经网络模型来研究边坡稳定性[11，12]，但是这些模型也存在着一定的缺陷。本文根据边坡案例，逐步分析各个核函数和各个参数对回归支持向量机的影响机制；然后，利用果蝇优化算法，通过边坡样本来训练优化支持向量机的回归参数，构建FOA― SVR算法，确定出最优的核函数和相关参数；再针对具体的边坡案例，利用上述算法来预测其稳定性，并且将上述算法利用 MATLAB进行可视化处理，设计出相应的边坡稳定性预测软件，以便于求解。 一、支持向量回归算法 SVR应用于回归拟合分析时，其基本思想不再是寻找一个最优分面类使得两类样本分开，而是寻找一个最优分面类使得所有训练样本离该最优分面类误差最小。而SVR里面的参数和核函数的选择会对SVR产生很大的影响。 （一）用固定的参数C和e测试核函数。下面结合参考文献的边坡实例，对核函数进行测试，研究核函数对SVR结构的影响机制，以便于选择针对具体案例的最佳核函数。 边坡的稳定性受到多种因素的影响，受研究资料的限制和计算量的影响，本文仅考虑影响边坡的如下六个因素：坡高H，坡角a，粘聚力系数c，内摩擦角j，岩土（岩石）重度g和空隙压力比ru 。用以上的指标作为输入量，输出量只有1个，即是否稳定，设输出1为边坡稳定，输出-1为边坡破坏。如果预测出的边坡稳定的概率更加趋近于1，边坡破坏的概率的负值更加趋近于-1，则说明预测的结果较好。 在测试的时候，进行交叉验证。即选择文献边坡实例样本中的前60个样本，分两组进行交叉测试，每组各30个样本。选择的损失函数为“einsensitive”函数。本文采用台湾大学林智仁教授开发的LIBSVM工具包里面的核函数的相关参数默认值。具体测试结果见如下表1所示（注：画“-”的表格表示没有值）。 从上表格可以看出，核函数为线性函数“linear”和“anova”函数的预测结果低下；核函数为”sigmoid”的预测结果很差，方法失效；核函数为“ploy”的预测结果较好，但是极不稳定，预测时所花费的时间很长；其它的核函数预测结果都很好，并且“bspline”核函数的预测结果最好，且预测时间短，预测结果最稳定。 因此，针对边坡稳定性预测案例来说，应该首先考虑选用“bspline”核函数，然后再考虑选用”rbf”和“erbf”核函。 （二）参数C和参数e对SVR的影响。经过本文验证，本文只选择 “bspline”、“rbf”、“erbf”三个核函数来验证参数C和参数e对SVR结构的影响。此处验证的数据和上面验证核函数的条件一样，得出的验证结果如下： （1）固定参数 C = inf ，且核函数不同时，参数 e 对SVR结构有不同的影响。 （2）对于“bspline”核函数，其预测值随着参数e 值的增大而渐渐变小，在 e 值为 0.0时，其预测值最好。 （3）对于核函数“rbf”和“erbf”，在 e 值等于 0.2 时，其预测值最好，预测的概率值大约在 0.8 左右，“rbf”核函数的预测值要好于”erbf”核函数的预测值。 （4）如果从整体选用优先预测的话，应该优先选择“bspline”核函数，且使其参数 e 的值为0.0；接着是“rbf”核函数，且使其参数 e 的值为 0.2；最后选择 “erbf”核函数，且使其参数 e 的值为0.2。 由于上述方法中的参数都是基于经验值，所以针对边坡稳定性预测这样的案例，究竟选用什么样的核函数？核函数的参数值和回归支持向量的参数值如何组合才是最优的？为此，本文用果蝇优化算法来优化回归支持向量中的相关参数，并确定其最优组合，使得预测结果精度更高。