收藏本站
《江西理工大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进的蚁群算法优化支持向量机参数的边坡变形预测研究

张灵凯  
【摘要】:随着城市化进程的飞速发展,出现了大量的边坡。近年来边坡失稳事故频繁发生,这无疑给国家和人民带来了相当大的灾难。因此有必要建立有效的预测模型,对边坡未来的变形趋势作出准确的预测,最终实现边坡变形研究的目的。针对传统变形监测数据处理方法存在一定的局限性,结合优化支持向量机参数的算法研究现状,提出一种改进的蚁群算法,将其与网格法结合来优化支持向量机参数,并应用于边坡变形预测中。首先,阐述了边坡变形预测的意义,对边坡变形预测研究现状作了全面的分析,提出将能够有效地解决小样本、非线性和高维度等问题的支持向量机用来预测边坡变形。针对传统支持向量机预测模型参数难以确定、基本蚁群算法寻参易陷入局部最优的问题,提出动态调节蚁群转移概率公式中的两个因子和挥发系数,构建改进的蚁群算法,并与网格法结合来搜索支持向量机最佳参数,最终建立改进的蚁群优化支持向量机参数模型。其次,选取边坡变形两个实例数据,采取一步预测的方法,在Matlab平台上结合Microsoft Visual C++6.0编译器,使用libsvm工具箱扩展编程,来完成改进蚁群优化支持向量机参数模型的训练与预测。最后,根据编写的Matlab程序,用遗传算法支持向量机模型、粒子群算法支持向量机模型和改进蚁群算法支持向量机模型对国内某两处的边坡数据进行实验。实验结果采用平均相对误差来评价,得到的遗传算法支持向量机模型的平均相对误差分别为6.74%和6.71%,粒子群算法支持向量机模型的平均相对误差依次是4.99%和4.16%,而改进蚁群算法支持向量机模型的平均相对误差依次为2.60%和2.28%,并且改进模型所得的均方误差和平方和误差都小于其他两种模型。结果表明,改进的蚁群算法优化支持向量机参数模型可以较好地预测边坡变形,且优于文中的其他两种模型。
【学位授予单位】:江西理工大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TP18;TU433

【相似文献】
中国期刊全文数据库 前10条
1 邹斌,李落清;支持向量机回归与v-支持向量机分类解的关系[J];湖北大学学报(自然科学版);2004年01期
2 冯剑丰;王洪礼;李胜朋;;基于支持向量机的浮游植物密度预测研究[J];海洋环境科学;2007年05期
3 蔡佳;陈洪;;ν-支持向量机的收敛性[J];湖北大学学报(自然科学版);2005年04期
4 唐万梅;;基于灰色支持向量机的新型预测模型[J];系统工程学报;2006年04期
5 熊宇虹;温志渝;梁玉前;陈勤;张波;刘妤;向贤毅;;基于支持向量机的模型传递方法研究[J];光谱学与光谱分析;2007年01期
6 左林;;一个新的稀疏支持向量机模型[J];山西师范大学学报(自然科学版);2008年03期
7 赫英明;王汉杰;;支持向量机在积雪检测中的应用[J];南京气象学院学报;2009年01期
8 贾亮;王礼力;;支持向量机在上市公司财务预警模型中的应用[J];淮阴工学院学报;2010年02期
9 郎宇宁;蔺娟如;;基于支持向量机的多分类方法研究[J];中国西部科技;2010年17期
10 谢福民;;支持向量机理论研究[J];科技广场;2011年01期
中国重要会议论文全文数据库 前10条
1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集(一)[C];2005年
3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用(CACIS)学术会议论文集(下册)[C];2008年
4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年
6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年
7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年
8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年
9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年
10 侯澍旻;李友荣;刘光临;;基于支持向量机的设备振动信号趋势预测[A];12省区市机械工程学会2006年学术年会湖北省论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年
2 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年
3 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年
4 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年
5 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年
6 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年
7 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年
8 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年
9 陈桂军;基于支持向量机的异常检测关键问题研究及应用[D];太原理工大学;2016年
10 舒振宇;基于局部支持向量机的高分辨率遥感图像分类[D];中国地质大学;2015年
中国硕士学位论文全文数据库 前10条
1 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年
2 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年
3 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年
4 董慧康;基于人群搜索—支持向量机的心脏病多生理参数诊断方法研究[D];河北工业大学;2014年
5 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年
6 甘乐;基于支持向量机的高光谱图像降维与分类研究[D];长江大学;2015年
7 苏超;基于支持向量机的太原市土壤重金属污染评价研究[D];山西大学;2014年
8 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年
9 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年
10 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026