基于粒子群与支持向量机的隧道变形预测模型

被引：18

作者：

范思遐

周奇才

熊肖磊

赵炯

机构：

[1] 同济大学机械与能源工程学院

来源：

计算机工程与应用 | 2014年 / 05期

关键词：

支持向量机; 粒子群; 隧道变形; 预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; U456.3 [隧道施工及运用监测];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0814 ; 081406 ;

摘要：

针对粒子群算法易早熟且在算法后期易在全局最优解附近产生振荡现象,提出一种自适应调整惯性权重的优化粒子群算法。该算法引入双曲线正切函数的非线性变化思想,使惯性权重随着迭代次数的增加产生自适应调整,有利于增强粒子搜索能力及收敛速度,不易陷入局部极值点。将该算法应用于基于支持向量机的隧道变形预测模型中,对预测模型的超参数进行优化,并利用稳态与非稳态两组实测工况数据对组合算法进行工程测试,结果表明采用SaωPSO+SVM算法可有效提高预测模型的计算精度,增强其鲁棒性,有助于隧道变形的工程建模。

引用

页码：6 / 10+15 +15

页数：6

共 13 条

[1] 改进型粒子群算法及其在选址问题中的应用 [J].

刘峰 ;

王建芳 ;

李金莱 .

计算机工程与应用, 2011, 47 (14) :56-58

[2] 集成灰色支持向量机预测模型研究与应用 [J].

林耀进 ;

周忠眉 ;

吴顺祥 .

计算机应用, 2009, 29 (12) :3287-3289

[3]

支持向量机[M]. 科学出版社 , 邓乃扬, 2009

[4]

粒子群优化算法[M]. 冶金工业出版社 , 李丽, 2009

[5]

支持向量机理论及工程应用实例[M]. 西安电子科技大学出版社 , 白鹏等, 2008

[6]

高等土力学[M]. 清华大学出版社 , 李广信主编, 2004

[7] On minimum distribution discrepancy support vector machine for domain adaptation [J].

Tao, Jianwen ;

Chung, Fu-lai ;

Wang, Shitong .

PATTERN RECOGNITION, 2012, 45 (11) :3962-3984

[8] Association rule-based feature selection method for Alzheimer's disease diagnosis [J].

Chaves, R. ;

Ramirez, J. ;

Gorriz, J. M. ;

Puntonet, C. G. .

EXPERT SYSTEMS WITH APPLICATIONS, 2012, 39 (14) :11766-11774

[9]

Comparison of intelligence science techniques and empirical methods for prediction of blasting vibrations[J] . M. Mohamadnejad,R. Gholami,M. Ataei.Tunnelling and Underground Space Technology incorporating Trenchless Technology Research . 2011

[10]

Feedback analysis of tunnel construction using a hybrid arithmetic based on Support Vector Machine and Particle Swarm Optimisation[J] . A.N. Jiang,S.Y. Wang,S.L. Tang.Automation in Construction . 2010 (4)

← 1 2 →