位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

索风营水电站地下洞室岩体力学参数的位移反分析

利用支持向量机和模拟退火算法对索风营地下洞室岩体的力学参数进行位移反分析,一方面支持向量机代替有限元计算提高了计算分析速度,另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,提高了反演的效率精度。利用反演得到的岩体力学参数进行有限元正分析所得位移与现场实测结果更加接近。     

基于微粒群优化的智能位移反分析研究

优化技术是影响反分析精度和效率的重要因素,将微粒群优化技术与支持向量机技术结合,提出了一种新的智能位移反分析方法。该方法利用了支持向量表达非线性关系方面的优良特性,可以避免大量的数值计算,同时充分利用微粒群的全局优化、收敛速度快的优点。将提出的方法应用到具体的算例中,比较表明,本方法是一种科学、可行、收敛快、精度高的优秀算法。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

关于位移反分析的某些考虑

为了进一步提高位移反分析应用研究的水平,需要认真考虑试验洞开挖引起的松动圈对反演结果的影响和如何不断地提高位移反分析的精度等问题。为此,本文探讨了有关考虑松动圈影响的位移分析法和反演正算综合预测法的原理。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

三峡工程永久船闸边坡位移反分析回顾

总结了1994～2000年间，作者在三峡工程永久船闸高边坡的第一期和第二期位移反分析方面的主要研究成果，包括理论与工程应用、边坡岩体变形机制及其数值模拟方法等。认为位移反分析理论研究很重要，但足由十岩体变形的非连续性，工程应用上应该加强岩体的宏观变形行为及其数值模拟方法的研究。就三峡工程的块状结构边坡而言，岩体的变形主要由松动区的变形构成，在变形分析中将松动区等效为一种弱化的线弹性材料，模拟其宏观变形行为是合适的。     

冲击地压危险性预测的最小二乘支持向量机模式识别

冲击地压受到多种复杂因素的影响，对其危险性进行预测可看成非线性、高维数、小样本的多类模式识别问题。利用最近发展的新的机器学习方法——支持向量机，提出了冲击地压危险性预测的最小二乘支持向量机方法，建立了预测模型，很好地表达了冲击地压危险等级与其影响因素之间的非线性关系。算例结果表明，该预测方法是可行的，且可以获得较高的准确度。     

基于蜂群算法优化的支持向量机植被提取研究

针对惩罚因子C和核函数宽度g对支持向量机分类精度有明显影响的问题,选用人工蜂群算法对支持向量机的参数进行优化并把其应用到高分辨率遥感影像植被提取的研究中。以重庆市某城乡ZY-3遥感影像为例,通过误差矩阵对比可知,蜂群算法优化后支持向量机的Kappa系数高于遗传算法及粒子群算法优化的支持向量机。研究结果表明:蜂群算法优化的支持向量机对植被的分类精度达到了82.7%,高于其他算法优化的支持向量机。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

基于进化支持向量机的单桩竖向极限承载力的预测

通过将改进遗传算法与支持向量机相结合,建立一种用于单桩竖向极限承载力预测的进化支持向量机模型。这种方法基于实测数据,利用遗传算法搜索最优的支持向量机参数,用获得的最优模型进行学习,从而得到泛化能力更好的预测模型。结果表明,该算法可以有效地解决支持向量机的参数确定问题,给出的算例结果是令人满意的。     

基于支持向量机的单桩竖向极限承载力预测

提出了一种基于支持向量机理论的单桩竖向极限承载力预测方法,该方法以统计学理论为基础,避免了神经网络结构设计的盲目性和局部最优等非线性优化问题。仿真试验表明,它比基于混沌优化-神经网络的收敛速度快,预测精度高。     

基于最小二乘支持向量机的板结构损伤识别

利用最小二乘支持向量机LS-SVM(Least Squares Support Vector Machine)回归技术对一承受大冲击荷载的平台板结构进行损伤识别。基于贝叶斯框架优化了LS-SVM回归模型;并用数值仿真方法检验了该方法的有效性。最后,对该方法在工程实际应用的可行性进行了讨论。结果表明:该方法能够精确识别结构损伤位置,在一定范围内能精确识别结构损伤程度;并且以结构固有频率作为输入参数,减少了结构健康监测系统的成本和安装复杂程度,有很好的推广应用价值。     

基于支持向量机的边坡稳定性预测模型

根据影响边坡稳定性的主要因素,建立了边坡稳定性的支持向量机预测模型。该模型通过有限的经验数据的学习,建立了边坡稳定性与其影响因素之间的非线性关系。运用所建立的模型对具体的岩体边坡进行了判定,由结果知,基于线性核的支持向量机分类器不能有效地建立边坡稳定与影响因素之间的非线性映射,而基于神经网络核及径向基函数核的分类器能正确判定边坡的稳定性。     

基于模态参数和支持向量机的桁架结构损伤识别研究

以桁架结构的损伤为研究对象,根据桁架结构的杆单元应变特点,建立了损伤前后振型曲率变化率和应变模态变化率对杆单元损伤的敏感性分析。同时以该变化率作为输入特征参数构造支持向量机,对杆单元的损伤进行识别,均取得了较为理想的结果。     

软弱围岩蠕变损伤机理及合理支护时间的反演分析

基于软弱围岩的蠕变损伤机理，提出了围岩蠕变损伤具有变形损伤与时间损伤耦合效应的观点。运用Burgers模型引入蠕变损伤变量，采用位移反分析方法对圆形巷道的粘弹性变形规律进行研究，得出软岩巷道合理支护时间的确定方法。通过工程实例证明该方法是合理的。