支持向量机在岩土工程中的应用综述.pdf

《支持向量机在岩土工程中的应用综述.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、城市建筑┃研究•探讨┃URBANISMANDARCHITECTURE┃RESEARCH•DISCUSSION支持向量机在岩土工程中的应用综述TheApplicationofSupportVectorMachineinGeotechnicalEngineering1212■赵小龙程群■ZhaoXiaolongChengQun[摘要]支持向量机是一种新型有效的机器学习方法。本分析中，如：边坡、水库岸稳定性，滑坡、隧道、是一种典型的两分类方法。M-SVM可以将其扩展到文概述了国内外各种支持向量机模型及其在岩土工程领域地铁车站维护结构变形，公路软基、地基沉降预测，多分类领域，现有直接

2、算法和组合算法两种。直接中的应用现状，并指出了其理论的优缺点、适用性和未来溶洞顶板安全厚度预测，地下工程可靠性，岩爆预算法是通过改变两类支持向量分类机的原始优化问发展方向。旨在为支持向量机在岩土工程中的进一步应用测，确定岩体强度指标，人工冻结温度场发展预测。题，使其能同时计算出多分类决策函数。组合算法提供一定的参考。此外，标准SVM还被用在处理岩土材料细观图像、有一对一（1-v-1）、一对多（1-v-r）、结合决策树井壁安全预测、采空区稳定时间预计、岩体爆破振的有向无环图方法、基于二叉树分类法、纠错输出[关键词]人工智能支持向量机岩土工程速和损伤预测、砂土液化预测、工程项目风

3、险预测、编码方法、决策导向非循环图法（DDAG）。单桩竖向极限承载能力预测、雨水集蓄工程综合评8.基于时间序列的支持向量机模型[Abstract]Supportvectormachineisaneweffectivemachine价等方面。标准SVM在建模时存在局限性，对于复位移是岩土体结构在开挖或变形过程中反馈出learningmethod.Thispapersummarizesthedomesticandfo-杂的问题不能很好地提取其中的信息，导致模型泛的具有非线性特征的重要信息之一。通过监测岩土reignvarioussupportvectormachinemodela

4、nditsapplication化性能较差，因此人们有意识的将SVM与其他方法体结构位移的变化，可以及时了解岩体结构的稳定ingeotechnicalengineeringfield,andpointsouttheapplica-相结合来共同解决岩土工程问题。组合模型能够有状态，从而可以根据需要进行稳定性控制。处理此bilityandthefuturedevelopmentdirection,theadvantagesand效发挥单一模型的优点，弱化其不足，提高建模的类问题最常见的SVM模型有：变异核函数SVM、灰disadvantagesofthetheory.Itisin

5、ordertoprovidesome质量。色SVM、ESVM等。但这些SVM模型也可以用来处理referencesforthefurthersupportvectormachineapplicationin2.v-SVR算法的支持向量回归机模型其他问题。geotechnicalengineering.v-SVR算法是在SVR中引入边界支持向量数量变异核函数主要是指采用LPG核、MPG核、混和支持向量数的新参数v（v∈（0，1））来反映超合核函数等的SVM算法，采用此算法前一般还会将[Keywords]artificialintelligence,SVM,rockandsoil

6、eng-出不敏感损失函数管道之外的样本数据点，以来拟合数据进行重构以增强数据细节信息，多用于典ineering简化SVR的参数调节大，但参数的选取还要结合其型滑坡位移时序预测这一实际问题。他算法。灰色理论是把随机变量、随机过程均看作是灰引言3.基于小波变换的支持向量机模型色变量、灰色过程，具有处理随机过程、突变的能岩土工程是一种非常复杂的系统工程。岩土工基于小波变换的SVM有两种思路，一种是构造力。灰色模型多与LSSVM相结合建模，兼具灰色模程中的问题具有高度非线性、不确定性、随机性和小波核函数，形式与标准SVM相同；另一种是首先型所需原始数据少、建模简单、运算方便、弱化数

7、模糊性特点，并且大都是“数据有限”的，很难用用小波变换对数据进行处理，然后用SVM预测，再据序列波动性的优势和LSSVM具有泛化能力强、非确定的数学模型来表示。智能岩石力学中的专家系对预测结果进行小波变换，重构预测结果。以此构线性拟合性好、小样本等特性。统方法在领域知识获取方面存在一定“瓶颈”，人工造的SVM具有良好时域、频域分辨能力和非线性学ESVM方法是将EC与SVM相结合，采用EC来获神经网络方法的推广能力又较差。支持向量机习功能。得SVM的最佳参数。其具有隐含并行性，可以较快（supportve