基于遗传蚁群组合算法优化SVM模型的边坡位移预测研究

论文摘要

边坡的位移情况是其稳定性的关键因素,所以对边坡位移的监测和预测在工程施工中必不可少,通过建立有效的预测模型来分析边坡位移的规律及趋势,确定边坡的稳定性,是边坡位移预测的最终目的。针对目前常用的预测模型在模型建立和预测精度上都存在一定的问题,本文在支持向量机回归机的理论基础上,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法的信息素生成策略,将此组合优化算法用于优化支持向量机参数,最终建立起基于此组合算法的支持向量机预测模型应用于边坡位移预测中。本文首先阐述了边坡位移预测的研究背景及意义,以及目前边坡变形预测和支持向量机的研究现状,并介绍了基本遗传算法和蚁群算法以及支持向量机的相关理论知识。针对在建立支持向量机边坡预测模型中核函数选取的问题,开展了研究工作,选取了目前常用的两种核函数分别建立起预测模型进行了预测实验,结果表明应用高斯径向基核函数在建立边坡预测模型中具有更好的预测效果。故本文选取高斯径向基核函数来开展基于组合算法建立支持向量机边坡预测模型的研究工作。其次为了解决支持向量机参数选取的问题,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法中的信息素生成策略,将其应用于支持向量机的参数寻优中。为了验证组合算法的优势性,进行了商旅求最短路径的实验研究,结果表明组合算法的优化性能要比这两种算法的优化性能更高。故将此组合算法应用于支持向量机参数的寻优中,并构建基于组合优化算法的支持向量机边坡预测模型。最后将此模型应用于两个工程实例中,通过编写的Matlab程序,对其进行实验,并与分别应用遗传算法和蚁群算法优化建立的支持向量机预测模型进行精度比较,以平均相对误差给予评价。最终实验结果表明,基于遗传算法优化构建的支持向量机边坡预测模型其所预测的平均相对误差为3.07%和3.21%,基于蚁群算法所构建的预测模型其平均相对误差为1.82%和1.63%,而基于组合优化算法所构建的预测模型其平均相对误差为1.02%和0.97%。可见,基于组合算法优化支持向量机参数的边坡预测模型具有着更好的预测效果,可应用于实际工程之中。

论文目录

文章来源

类型: 硕士论文

作者: 熊起

导师: 刘小生

关键词: 边坡位移,支持向量机,遗传算法,蚁群算法,变形预测

来源: 江西理工大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 地质学,建筑科学与工程,自动化技术

单位: 江西理工大学

分类号: TU43;TP18

总页数: 62

文件大小: 4039K

下载量: 132

相关论文文献

• [1].基于网格参数寻优法的支持向量机边坡位移预测研究[J]. 城市地理 2017(02)
• [2].基于支持向量机-小波神经网络的边坡位移时序预测模型[J]. 武汉大学学报(工学版) 2017(02)
• [3].改进的不等时距灰色马尔科夫模型在边坡位移预测中的应用[J]. 水利与建筑工程学报 2016(06)
• [4].基于拉格朗日插值法的新陈代谢模型在边坡位移监测中的应用[J]. 安全与环境工程 2017(02)
• [5].有关相空间重构及其在边坡位移预测中的应用研究[J]. 魅力中国 2009(16)
• [6].边坡位移时间序列分析预测[J]. 福建建筑 2008(06)
• [7].基于时间序列的边坡位移实时预测方法[J]. 吉林大学学报(工学版) 2012(S1)
• [8].基于时间序列的神经网络建模及边坡位移预测[J]. 地下空间与工程学报 2009(S1)
• [9].丹东某水库边坡位移监测及稳定分析研究[J]. 东北水利水电 2020(03)
• [10].基于改进灰色–时序分析时变模型的边坡位移预测[J]. 岩石力学与工程学报 2014(S2)
• [11].对边坡位移监测曲线振荡起伏的分析[J]. 工程地质学报 2008(02)
• [12].基于无线传感网络的边坡位移预警系统设计[J]. 电子设计工程 2020(10)
• [13].边坡位移监测研究现状述评[J]. 地质与勘探 2008(02)
• [14].小波去燥灰色Verhulst模型在边坡位移动态监测中的应用[J]. 九江学院学报(自然科学版) 2020(01)
• [15].基于灰色理论的土质路堑边坡位移预测[J]. 公路交通技术 2014(05)
• [16].考虑混沌成分影响的高边坡位移监控预测模型[J]. 水科学与工程技术 2012(06)
• [17].基于相空间重构的GA-SVR组合模型边坡位移预测研究[J]. 大地测量与地球动力学 2017(10)
• [18].三维激光扫描技术应用于边坡位移监测[J]. 地理空间信息 2011(01)
• [19].不等时距灰色模型的边坡位移预测及软件化[J]. 重庆大学学报 2008(05)
• [20].基于SVR组合模型的边坡位移预测研究[J]. 金属矿山 2018(02)
• [21].基于时移小波-灰色理论的边坡位移预测模型研究[J]. 长江科学院院报 2015(09)
• [22].灰色-马尔科夫模型在边坡位移变形预测中的应用[J]. 公路与汽运 2018(06)
• [23].边坡位移预测典型智能算法对比研究[J]. 科学技术创新 2019(29)
• [24].基于高边坡位移突变的安全监控模型[J]. 南水北调与水利科技 2012(05)
• [25].基于Flex无线传感技术的边坡位移监测研究[J]. 传感技术学报 2019(07)
• [26].空间自回归模型在水库边坡位移预测中的应用[J]. 河海大学学报(自然科学版) 2017(02)
• [27].基于动力学突变辨识的高边坡位移监控模型[J]. 水电能源科学 2012(11)
• [28].边坡位移预测中的相空间重构技术综述[J]. 有色金属(矿山部分) 2008(02)
• [29].相空间重构技术在边坡位移预测中的应用[J]. 安徽建筑 2008(05)
• [30].公路边坡位移监测与稳定性评价[J]. 福建建设科技 2011(02)

标签：边坡位移论文;  支持向量机论文;  遗传算法论文;  蚁群算法论文;  变形预测论文;