论文部分内容阅读
随着边坡大量涌现,边坡滑坡事件屡见不鲜,从而给人民的生产、生活带来了巨大的影响和损失,因此对边坡的变形预测和预警,就显得尤为迫切和重要。针对传统预测方法的不足,有必要探讨新方法来进行预测。为此,本文将改进支持向量机运用到边坡位移预测中。首先,针对支持向量机预测模型参数难以求取、传统PSO参数寻优易陷入极值的问题,将自适应惯性权重置换粒子群算法速度更新公式中的惯性权重;并运用多粒子信息共享改进粒子群算法的位置更新公式,构建MAPSO算法。针对单一核函数泛化性、学习能力存在的问题,运用Poly与RBF加递减权混合核函数代替SVM核函数。运用MAPSO算法对混合核函数的支持向量机进行参数寻优,最终建立混合核函数MAPSO-SVR的边坡位移预测模型。其次,采用丹巴镜滑坡位移数据和新卧龙滑坡位移数据作为实验数据,运用Faruto等人开发的Libsvm加强版工具箱,实现对混合核函数MAPSO-SVR的边坡位移预测模型的训练和预测。最后,根据编制的Matlab程序,将基于混合核函数MAPSO-SVR的边坡位移预测结果与基于传统支持向量机预测结果做对比。其中,丹巴镜滑坡位移数据,基于混合核函数MAPSO-SVR的边坡位移预测得到的最大、最小相对误差分别为6.97%、0.55%;基于混合核函数MAPSO-SVR的边坡位移预测得到的均方误差和平方和误差分别为0.014、0.074;基于PSO参数寻优算法的支持向量机边坡位移预测得到的最大、最小相对误差分别为9.92%、2.15%;基于PSO参数寻优算法的支持向量机边坡位移预测得到的均方误差和平方和误差分别为0.033、0.166。卧龙寺新滑坡数据,基于混合核函数MAPSO-SVR的边坡位移预测得到的最大、最小相对误差分别为3.67%、0.16%;基于混合核函数MAPSO-SVR的边坡位移预测得到的均方误差和平方和误差分别为1.16、6.90;基于PSO参数寻优算法的支持向量机边坡位移预测得到的最大、最小相对误差分别为10.46%、3.79%;基于PSO参数寻优算法的支持向量机边坡位移预测得到的均方误差和平方和误差分别为7.35、44.08。由此可以验证基于混合核函数MAPSO-SVR的边坡位移预测有更高的精度。