基于粒子群算法的边坡位移预测研究

发布时间：2017-10-11 06:08

  本文关键词：基于粒子群算法的边坡位移预测研究

  更多相关文章： 经验模态分解 边坡位移预测 支持向量机 粒子群算法

【摘要】：边坡作为公路及其它基础设施建设过程中最多而且最复杂的结构体,其稳定性与项目建设和运营过程中的安全问题息息相关。当前,常用两种方法对边坡的稳定性进行判断,其一是通过数值模拟对边坡体在自身结构和各种外界影响因素综合作用下的稳定性进行判断,另一种方法是通过对边坡未来一定时期内的位移预测来判断其稳定性。在第二种方法中,由于边坡位移是受内、外部因素耦合作用下的结果,通常表现出非线性和突变性的特点,所以无法直接通过线性回归的方法对其进行预测。鉴于边坡的位移特征,文中采用经验模态分解方法对其突变性特征进行提取,并利用粒子群差分算法寻优所得支持向量机参数值进行边坡位移预测。为提高预测精度,文中就计算过程中的随机项提取、核函数选择和粒子群差分算法寻优前参数取值范围进行了研究。在对经验模态分解提取随机项过程所存在的问题进行研究之前,首先就此方法的理论基础和计算过程进行了分析。对于分解过程中所存在的端点极值延拓问题,利用端点值判断和镜像延拓相结合的方法;对于总位移极值点较少或没有致使分解无法进行的难题,提出对分期位移进行分解的方法;采用工程实例对分解周期的合理取值进行研究。对比分析边坡自重作用下的位移规律和分解结果中的趋势项,得出在分解周期取值为15、20时分解效果较好。对于支持向量机的边坡位移预测过程,首先对支持向量机的理论基础和计算过程进行了分析,然后在经验模态分解结果、多项式核函数和高斯核函数特征分析的基础上,对边坡位移预测中核函数的选择进行了研究。提出对趋势项、随机项分别采用多项式核函数、高斯核函数的方法。针对支持向量机位移预测中各参数的取值问题,应用粒子群差分算法对其进行寻优。对于寻优之前各参数的取值或取值范围,提出采用平均绝对误差作为判断准则进行寻优,寻优结果如下:当分解结果中有2个随机项时,趋势项、随机项1、随机项2的训练集周期为7、5、6,当分解结果中有3个随机项时,趋势项和随机项1、2、3的训练集周期为7、5、5、6;对于支持向量机的参数寻优范围,振荡型边坡位移见表4.2,增长型边坡位移见表4.3。最后,在第二章至第四章研究成果的基础上对边坡位移进行预测,并以预测值的绝对误差和相对误差作为判断准则,对预测误差的分布规律进行了分析,得出文中所提出的方法和参数取值范围在振荡型和增长型边坡位移中具有较高的预测精度。
【关键词】：经验模态分解 边坡位移预测 支持向量机 粒子群算法
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U416.14
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-18
• 1.1 研究背景和意义10-12
• 1.2 国内外研究现状及存在的不足12-16
• 1.2.1 国内研究现状12-14
• 1.2.2 国外研究现状14-16
• 1.2.3 存在的不足16
• 1.3 研究内容和技术路线16-17
• 1.3.1 研究内容16-17
• 1.3.2 技术路线17
• 1.4 本章小结17-18
• 第二章 边坡位移的经验模态分解18-30
• 2.1 经验模态分解的提出18-19
• 2.2 经验模态分解的实现19-25
• 2.2.1 瞬时频率和本征模态函数19-20
• 2.2.2 分解过程20-23
• 2.2.3 分解过程的分析23-25
• 2.3 边坡位移的经验模态分解25-29
• 2.3.1 边坡位移的特征分析26-27
• 2.3.2 边坡位移的经验模态分解方法27-29
• 2.4 本章小结29-30
• 第三章 边坡位移的支持向量机预测30-46
• 3.1 支持向量机的理论基础30-33
• 3.1.1 算法的提出30-31
• 3.1.2 经验风险31-32
• 3.1.3 结构风险32-33
• 3.2 支持向量机的实现过程33-41
• 3.2.1 线性分类33-35
• 3.2.2 线性回归35-38
• 3.2.3 非线性回归38-41
• 3.3 核函数的性质及常用核函数41-43
• 3.3.1 核函数的性质41-42
• 3.3.2 高斯核函数42-43
• 3.3.3 多项式核函数43
• 3.4 边坡位移的支持向量机预测43-44
• 3.4.1 核函数的选择43-44
• 3.4.2 参数寻优取值范围44
• 3.5 本章小结44-46
• 第四章 边坡位移预测的参数取值范围寻优46-62
• 4.1 粒子群算法的由来46-48
• 4.1.1 复杂适应系统46-47
• 4.1.2 粒子群算法47-48
• 4.2 基本粒子群算法48-50
• 4.2.1 粒子群算法的实现原理48-49
• 4.2.2 粒子群算法的更新迭代过程49-50
• 4.3 粒子群差分算法50-56
• 4.3.1 算法的提出50-51
• 4.3.2 更新迭代过程51-53
• 4.3.3 参数的选择53-56
• 4.4 边坡位移预测的参数取值或取值范围寻优56-61
• 4.4.1 训练集周期寻优56-58
• 4.4.2 参数取值范围寻优58-61
• 4.5 本章小结61-62
• 第五章 编程和实例验证62-70
• 5.1 位移预测的Matlab编程实现62-64
• 5.1.1 实现流程62-63
• 5.1.2 部分语句说明63-64
• 5.2 边坡位移预测64-69
• 5.2.1 振荡型边坡64-66
• 5.2.2 增长型边坡66-69
• 5.3 本章小结69-70
• 第六章 结论和展望70-72
• 6.1 结论70-71
• 6.2 展望71-72
• 致谢72-73
• 参考文献73-76
• 附录A 训练集周期寻优76-80
• 附录B 边坡位移预测80-83
• 附录C 监测点位移值83-85
• 攻读学位期间取得的研究成果85

【相似文献】

中国期刊全文数据库 前10条

1 史永胜，许东俊;时序分析在边坡位移预测中的应用[J];岩土力学;1995年04期

2 刘沐宇，池秀文，魏文晖，陆文兴;时间序列分析法与边坡位移预报[J];武汉工业大学学报;1995年03期

3 盛松涛;苏忖安;毛建平;朱全平;;加权一阶局域法在边坡位移预测中的应用研究[J];人民长江;2006年11期

4 李维朝;戴福初;刘汉东;武富强;;对边坡位移监测曲线振荡起伏的分析[J];工程地质学报;2008年02期

5 许江;季惠英;唐晓军;;不等时距灰色模型的边坡位移预测及软件化[J];重庆大学学报;2008年05期

6 冯夏庭，，王泳嘉;边坡位移的神经动力学模型研究[J];东北大学学报;1995年05期

7 余天堂,王振波;基于多层递阶方法的边坡位移预测[J];岩土力学;2003年03期

8 杨振杰;;边坡位移监测与控制[J];中国矿山工程;2006年04期

9 陈绍桔;;边坡位移时间序列分析预测[J];福建建筑;2008年06期

10 苏夏征;程峰;莫时雄;李毅;;相空间重构技术在边坡位移预测中的应用[J];安徽建筑;2008年05期

中国重要会议论文全文数据库 前5条

1 吴定洪;刘雄;;边坡位移的时间序列分析方法研究[A];中国岩石力学与工程学会第三次大会论文集[C];1994年

2 贾愚如;黄玉灵;;边坡位移的数据处理及预测分析[A];自然边坡稳定性分析暨华蓥山形变体形变趋势研讨会论文摘要集[C];1991年

3 李克钢;张重庆;;基于时间序列的神经网络建模及边坡位移预测[A];第十届全国青年岩石力学与工程学术大会论文集[C];2009年

4 史永胜;许东俊;;边坡位移预测的叠合时序模型研究[A];面向21世纪的岩石力学与工程：中国岩石力学与工程学会第四次学术大会论文集[C];1996年

5 李维朝;戴福初;刘汉东;武富强;;对边坡位移监测曲线振荡起伏的分析[A];中国科学院地质与地球物理研究所2008学术论文汇编[C];2009年

中国重要报纸全文数据库 前1条

1 白静;研发边坡位移监测系统[N];中国煤炭报;2009年

中国硕士学位论文全文数据库 前6条

1 代在波;基于粒子群算法的边坡位移预测研究[D];重庆交通大学;2016年

2 邓贤国;基于数值计算的边坡位移监测点优化布设方法研究[D];西南石油大学;2012年

3 张鹏;基于无偏灰色模糊马尔可夫理论对边坡位移预测的研究[D];武汉理工大学;2013年

4 陈峰;边坡位移序列的预测模型研究与应用[D];辽宁工程技术大学;2008年

5 向璐;基于单目视觉的边坡位移监测研究[D];重庆交通大学;2013年

6 蔚清;边坡监测数据预处理方法比较及建模研究[D];合肥工业大学;2013年

本文编号：1010886