在隧道工程或地下工程建设中,根据已有的监测数据预测未来的围岩位移变化情况对支护设计和施工以及对险情预报都具有重要的实际意义。由于围岩系统具有非线性、模糊性和不确定性等特点,而传统的精确数学模型方法在建模时往往作许多假设,造成与实际情况相差较大。 支持向量机是在统计学习理论的VC维理论和结构风险最小化原则的基础上提出的一种新的机器学习方法,它追求的是在有限样本情况下的最优解而不仅仅是样本数趋于无穷大时的最优解,比以经验风险最小化为基础的神经网络学习算法具有更强的理论依据和更好的泛化性能。最小二乘支持向量机是普通支持向量机的改进算法,它通过将最小二乘线性系统引入支持向量机,代替传统的支持向量机采用二次规划方法解决函数估计问题的做法,简化了模型参数,加快了运算速度。本研究将最小二乘支持向量机引入到地下工程围岩位移预测分析中,并建立位移预测模型应用于位移数据的预测。 在本文研究中先选用某个函数生成数据序列,运用两种不同的预测方式对LS-SVM进行模拟。一种是回归分析预测,即把输入值(时间)作为因变量变化的唯一原因,把函数自变量和函数输出值构造成训练样本。另一种是等步长时序预测,即把前面的位移序列看成后面位移值的原因,选取位移序列中的数据构建训练样本。在构建样本时加入噪声的影响以模仿实际情况。模型参数采用交叉验证的方法进行优选,确保参数全局最优。并运用径向基函数(RBF)神经网络对相同的训练样本进行训练,对相同的测试样本进行等步长时序预测,比较了其和最小二乘支持向量机的预测效果。通过模拟试验得知:最小二乘支持向量机等步长时序预测效果好于径向基神经网络的预测效果。最小二乘支持向量机回归预测对训练样本数据区间内的预测精度很高,但是对前向外推预测效果不是很好;等步长时序分析对前向外推预测效果较好。因此对未来数据的预测用LS-SVM等步长前向外推预测更好些。 由于监测方案的设计和各种施工因素的影响,很多情况下,监测数据时间间隔并不相等。文中结合回归预测和等步长时序预测的优点,先用回归拟合对监测数据进行预测处理,生成时序分析所用的等步长数据,然后再进行等步长时序预测。最后在MATLAB环境下用工地实测数据对此设想和最小二乘支持向量机进行实际应用测试。结果显示,把最小二乘支持向量机回归预测与等步长时序预测相结合的预测方法应用于地下工程围岩位移监测数据的分析及预测是可行的;而且与其它人工智能方法相比较具有需要学习样本少、预测精度高、模型参数选择方便等优点,具有工程实际应用价值。