论文部分内容阅读
随着水电建设事业的高速发展,我国已经是兴建大坝最多的国家。为了保障大坝安全、掌握大坝运行状态,因此,根据已有的监测数据预测未来大坝变形量具有重要的实际意义。由于大坝变形具有非线性,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。本文研究将支持向量机引入到大坝变形预测分析中,建立预测模型应用于位移数据的预测。本文首先进行了大坝变形特性的分析研究,并利用统计学的方法消除历史监测数据中的“异常数据”。接下来使用交叉验证试算法确定支持向量机参数。最后利用选定的特征向量及核函数建立大坝变形预测模型。利用所建立的模型对安徽某大坝变形问题进行预测,结果表明预测结果与实际监测数据非常接近。同时将支持向量机模型与回归预测模型和人工神经网络BP模型的预测结果进行比较分析,进一步表明支持向量机模型预测效果是可靠的。从而说明采用支持向量机模型进行大坝变形预测是可行的,具有广阔的工程应用前景。