论文部分内容阅读
支持向量机(Support Vector Machines简称SVM)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。它追求的是在现有信息(即有限样本)情况下的最优解而不仪仪是样本数趋于无穷时的最优解,并且比经验风险原理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;算法是一个二次优化问题,能够保证找到极值解是全局最优解,解决了在一些人工智能方法中无法避免的局部极值问题;算法将实际问题通过非线性变换到高维的特征空间,在高维空间中构造线性判别函数实现原空间中的非线性判别函数,特殊性能保证了学习机器有较好的推广能力及极强的非线性系统建模能力,也巧妙地解决了维数灾难问题。 鉴于支持向量机具有良好学习性能和潜在应用价值,有望解决地下工程中许多问题,本文尝试将其应用于地下工程领域。主要进行了如下工作: 1.简单介绍了支持向量机的理论基础——统计学习理论。 2.从简单的线性SVM到非线性SVM分类情形详细论述了支持向量机的训练和决策过程,并对训练算法做了总结。 3.依据支持向量机原理,建立了基于支持向量机的回归模型,并通过MATLAB语言编程,把此模型应用于华蓥山隧道YK37+215断面拱顶下沉位移监测数据的预测和华丰煤矿巷道两帮破坏范围回归分析中。 4.提出基于支持向量机的岩体分类算法,建立了基于支持向量机的岩体分类模型,并成功地实现了此模型在广州抽水蓄能电站二期工程围岩分类及岩石三性综合分级中的应用。 结果显示,支持向量机应用于岩体分类和地下工程监测数据的回归分析及预测不仅完全可行,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、非线性动态数据处理能力强及非线性系统建模性能好等优点,是一个新颖而有发展前途的研究方向。