基于相空间重构的GA-SVR组合模型边坡位移预测研究

摘要

边坡作为岩土环境的重要组成部分一直是国内外学者的热点研究对象，近些年来边坡的安全事件频发，因此开展针对边坡的变形预测研究是十分有必要的。为此本文基于支持向量机这一新兴机器学习算法，围绕边坡变形预测问题开展相应的研究工作。
　　本研究阐述了边坡及支持向量机的研究现状与研究意义，针对传统支持向量机在处理短周期小样本数据时，较为依赖样本本身质量的问题，提出对样本进行基于混沌动力学的相空间重构，采用G-P算法与C-C算法确定嵌入维数与延迟时间实现对时间序列数据的重构；其次针对传统支持向量机选参盲目性的问题，提出采用遗传算法，通过交叉、变异等遗传操作来实现支持向量机参数的优化选取，获得基于相空间重构的GA-SVR组合模型；然后利用Microsoft Visual C++将Libsvm编译到MATLAB2012中，并结合拓展工具箱实现对传统支持向量机和组合支持向量机模型的训练、预测。最后将组合模型应用到某矿山边坡的变形预测，通过对比实验分析可以发现：较之传统SVR模型，组合模型具有较高的预测精度，精度提升在30%至50%左右，且拟合效果，泛化能力都具有优势，具有一定的工程应用和推广价值。

目录

声明

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文研究内容及章节安排

第二章 时序数据的预处理及相空间重构

2.1时序数据的预处理

2.2混沌理论与相空间重构

第三章 统计学习理论和支持向量机

3.1统计学习理论

3.2支持向量机原理及算法

3.3支持向量机的参数优化

第四章 基于相空间重构的GA-SVR组合模型构建

4.1支持向量机运行的环境

4.2组合模型的构建

第五章 矿山边坡变形预测应用

5.1矿山边坡概况及观测数据

5.2观测数据的相空间重构

5.3 PSR-GA-SVR组合模型预测

5.4传统SVR与组合模型预测对比分析

5.5 空间曲面变形分析

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