基于支持向量機的巖土非線性變形行為預測研究.pdf

1、預測是科學研究的中心問題之一，是科學決策和規(guī)劃的重要前提。作為現(xiàn)代巖土工程的難點和迫切需要解決的問題，巖土體變形行為預測，正逐漸成為國內(nèi)外學術界、工程界關注的熱點。 本文結合支持向量機這種優(yōu)秀的機器學習算法，圍繞巖土體非線性變形行為預測問題展開工作，研究的主要內(nèi)容包括四個方面：變形時序的數(shù)據(jù)表示、支持向量機算法的核函數(shù)構造、超參數(shù)選擇以及變形時序數(shù)據(jù)的外推預測。主要的工作有： (1)針對巖土體變形時序數(shù)據(jù)非常有限而降低學

2、習建模效率的情況，首次提出了變形時序數(shù)據(jù)再生的概念，方法采用分段插值方法和Bootstrap重采樣技術對樣本容量進行補充和擴展，以豐富巖土體系統(tǒng)變形演化的細節(jié)。同時，提出以低維坐標空間變換和高維相空間重構的數(shù)據(jù)表示方法，對變形數(shù)據(jù)序列的表示形式進行重構，達到改寫數(shù)據(jù)的規(guī)律性進而探討巖土體系統(tǒng)內(nèi)在的復雜本質(zhì)特征的目的。 (2)著重分析了變形時序曲線特征以及不同類型Mercer核的性質(zhì)，提出了巖土體變形時序支持向量機預測建模中核函數(shù)

3、的選擇原則；同時，從理論上，基于核函數(shù)上的封閉運算，構造出了適合于變形序列預測領域支持向量機建模的復雜核函數(shù)。復雜核函數(shù)擴大了函數(shù)的容量，使得學習算法的應用柔性增大，有利于提高建模的回歸精度又不致于降低模型的泛化性能。從核的空間映射，利用變形時序某一數(shù)據(jù)點的變化趨勢更多的是由鄰近的數(shù)據(jù)點所決定這一先驗知識，對核矩陣或核函數(shù)進行調(diào)整以提高核函數(shù)匹配手頭問題的性能。鑒于優(yōu)秀核函數(shù)具有相似形式的思路，深入分析了一個好的核函數(shù)應該具有的形式，并

4、在此基礎之上引入了全信息下的平移不變核和具有統(tǒng)一形式的核函數(shù)。前者在高維映射的空間中既著重于近鄰點的數(shù)據(jù)信息，又保留了全部數(shù)據(jù)點信息。從而擴充了核矩陣關于特征空間或模型的選擇的信息，以及訓練數(shù)據(jù)本身的信息量。后者為一個點積核與距離核的有限形式統(tǒng)一的核函數(shù)，可以簡化對核函數(shù)選擇的復雜過程。 (3)提出了基于正交設計試驗的超參數(shù)層次選擇方法和Boosting集成超參優(yōu)化方法。正交設計方法在分析確定了支持向量機各個超參數(shù)的取值范圍，并

5、為每個參數(shù)選定了試驗水平。通過考慮參數(shù)間的正交性和交互性，層次的選取最優(yōu)超參數(shù)組合下的支持向量機模型。較其他超參選擇法，正交設計超參數(shù)選擇方法更快捷有效，適合于工程中支持向量機的實際應用。Boosting集成的參數(shù)優(yōu)化，是通過在原始數(shù)據(jù)集加權采樣的基礎上，進行多次迭代子支持向量回歸的機器學習，不斷調(diào)整樣本權值再采樣，優(yōu)化機器學習模型，然后對迭代所得的每級子支持向量回歸結果按某種組合方法進行集成，最終獲取優(yōu)參下的支持向量機學習模型。

6、 (4)提出了變形趨勢預判下的支持向量機預測方法。對時序的趨勢預判，以兩種思路進行了實現(xiàn)：專家辨識，基于巖土體變形和時序曲線的特點，在定義變形時序外延模式并建立綜合專家系統(tǒng)的基礎上，以定性和定量結合的方式達到辨識時序的外延模式；范例推理，對變形時序組成的范例庫進行歐氏距離的范例屬性以及變形時序原子矩陣的相似度計算，檢索與目標范例(待預測問題)最為相似的范例，并參考相似范例，對目標范例時序的未來時刻的變化趨勢進行預判。兩種思路實現(xiàn)下的方