基于改进的蚁群算法优化支持向量机参数的边坡变形预测研究

摘要

随着城市化进程的飞速发展，出现了大量的边坡。近年来边坡失稳事故频繁发生，这无疑给国家和人民带来了相当大的灾难。因此有必要建立有效的预测模型，对边坡未来的变形趋势作出准确的预测，最终实现边坡变形研究的目的。针对传统变形监测数据处理方法存在一定的局限性，结合优化支持向量机参数的算法研究现状，提出一种改进的蚁群算法，将其与网格法结合来优化支持向量机参数，并应用于边坡变形预测中。 首先，阐述了边坡变形预测的意义，对边坡变形预测研究现状作了全面的分析，提出将能够有效地解决小样本、非线性和高维度等问题的支持向量机用来预测边坡变形。针对传统支持向量机预测模型参数难以确定、基本蚁群算法寻参易陷入局部最优的问题，提出动态调节蚁群转移概率公式中的两个因子和挥发系数，构建改进的蚁群算法，并与网格法结合来搜索支持向量机最佳参数，最终建立改进的蚁群优化支持向量机参数模型。 其次，选取边坡变形两个实例数据，采取一步预测的方法，在Matlab平台上结合Microsoft Visual C++6.0编译器，使用libsvm工具箱扩展编程，来完成改进蚁群优化支持向量机参数模型的训练与预测。 最后，根据编写的Matlab程序，用遗传算法支持向量机模型、粒子群算法支持向量机模型和改进蚁群算法支持向量机模型对国内某两处的边坡数据进行实验。实验结果采用平均相对误差来评价，得到的遗传算法支持向量机模型的平均相对误差分别为6.74%和6.71%，粒子群算法支持向量机模型的平均相对误差依次是4.99%和4.16%，而改进蚁群算法支持向量机模型的平均相对误差依次为2.60%和2.28%，并且改进模型所得的均方误差和平方和误差都小于其他两种模型。结果表明，改进的蚁群算法优化支持向量机参数模型可以较好地预测边坡变形，且优于文中的其他两种模型。

目录

声明

第一章 绪 论

1.1研究背景和意义

1.2 蚁群算法研究现状

1.3 支持向量机研究现状

1.4 边坡变形预测研究现状

1.5 本文研究内容

1.6 论文结构安排

第二章 蚁群算法

2.1 蚁群算法概况

2.2 蚁群算法的生物基础

2.3 真实蚂蚁与人工蚂蚁的异同

2.4 蚁群算法基本原理

2.5 蚁群算法的优缺点

2.6 蚁群算法的主要应用

2.7 本章小结

第三章 统计学习理论与支持向量机

3.1 机器学习理论

3.2 统计学习理论

3.3 支持向量机

3.4支持向量机参数的影响

3.5 支持向量机训练算法

3.6 SVM工具箱简介

3.7本章小结

第四章 改进的ACO优化SVM参数的研究

4.1 核函数

4.2 改进的蚁群算法思路

4.3 改进的蚁群算法步骤

4.4改进蚁群算法的验证

4.5 改进ACO算法优化SVM参数

4.6改进的ACO-SVM模型预测边坡变形步骤

4.7本章小结

第五章 改进ACO优化SVM参数的边坡变形预测应用

5.1模型精度评价指标

5.2计算环境与方法

5.3工程应用

5.4本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

致谢

攻读学位期间的研究成果