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

发布时间：2024-01-31 20:33

　　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,...

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图3.2线性可分时候的最优分类面

图3.2线性可分时候的最优分类面中，分别用圆形和方形图案来表示两类样本，要求的超平面为是过一种样本里最靠近H里样本点的平面，且平行于超平面H分类面必须得满足：（1）不同的样本可以准确地被分类面分出类间隔。前者确保让经验风险是最小的，而后者实现最大。本数据为：(,),,....

图4.1测试绝对误差结果

第四章改进的ACO优化SVM参数的研究表4.3实验结果序号实测值/m预测值/m误差/mm高斯核函数多项式核函数高斯核函数多项式核函数第22期202.953202.9621202.9670+9.1+14.0第23期202.945202.96....

图4.231城市路线图

31图4.231城市路线图表4.5三种方法求解结果算法神经网络法混合遗传法改进ACO路径长度15904km15404km12632km由以上结果可知，本文改进的蚁群算法得到的最短路线总长度低于神经网以及混合遗传算法，为12632km，比其他两种算法求解出....

图4.3ACO优化SVM参数原理图

图4.3ACO优化SVM参数原理图.6改进的ACO-SVM模型预测边坡变形步骤首先确定参数位数和范围，其次通过改进方法不断搜索SVM最佳参数，然参数赋予改进蚁群支持向量机，构建ACO-SVM算法，最后进行边坡预测。算终止条件为迭代次数达到最大次数，具体步骤....

本文编号：3891503