基于PSO与LSSVR的坝体顺流向位移预测.pdf

《基于PSO与LSSVR的坝体顺流向位移预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第13卷第4期软件导刊Vl01．13No．42014年4月SoftwareGuideApr．2014基于PSO与LSSVR的坝体顺流向位移预测刘延婷(湖南省国土资源信息中心，湖南长沙410007)摘要：顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性，提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据，通过与神经网络、传统支持向量机等模型进行对比实验和分析，结果表明，该方法具有误差低、计算效率高等特点。关键词：顺流向位移；粒子群优化；支持向量回归；变形监测；参数优化中图分类号：TP319文献标识码：A

2、文章编号：1672—7800(2014)004—0049—02向基核函数中的)，简化_r计算复杂度。传统的支持向0引言量回归算法实现预测坝体顺流向位移量主要包括4步：①样本集数据预处理；②构建顺流向位移量预测样本集，包坝体的形变监测一直是工程领域的研究热点]。随括训练样本集与测试样本集两部分；③选择合适的支持向着变形监测、系统论及人工智能等理论的发展，以神经网量回归核心参数(惩罚系数7、高斯径向基核函数中的d)，络与支持向量机为代表的非线性智能预测模型取代传统实现学习机对所构建的样本集进行学习，构建坝体形变因的线性(如时间序列分析等)数据处理方法而成为研究子与顺流

3、向位移量之间的关系模型；①对测试样本进行验热点。但神经网络与支持向量机模型也在如网络结构设证，检验效果。顺流向位移量关系模型构建关键在于两个计、过学习和核心参数设置等问题上逐渐体现出局限因素：训练样本集的构建与核心参数的设置。性l_4]。本研究提出利用粒子群算法优化支持向量回归算1．3基于PSO与LSSVR的顺流向位移预测模型法的核心参数，实现坝体顺流向位移预测，通过结合实测本文提出采用基于粒子群优化算法与支持向量回归数据对顺流向位移进行预测，从预测精度及时间复杂性两的模型，利用前者优化后者中的核心参数，构建坝体温度、方面与传统方法进行对比分析。水位及时效等冈素与

4、坝体顺流向位移之间的关系模型，其主要包括2部分：①PSO—ISSVR模型构建形变因素与顺1粒子群支持向量回归模型流向位移差的关系模型；②利用已知时刻的位移加位移差获取总位移。如图1所示，该方法包括以下6个步骤：①1．1粒子群优化算法将惩罚系数7与高斯径向基核函数中参数两个参数组粒子群算法生成初始种群，即在解空间中随机初始化合为粒子，初始化粒子群；②评价粒子适应度，即预测误差一群粒子，每个粒子为问题的一个解，由目标函数确定适的倒数；③比较适应度与最佳适应度，确定是否更新应值，并根据自身与其它粒子的飞行经验来调整，其经历pBest；④与全局最好适应度(gBest)比较

5、，决定是否更新过的最好位置为最优解。粒子群体经历的最佳位置，为群gBest；⑤更新粒子状态，迭代进化；⑥结束条件检查：最大最优解。分别称为个体极值(pBest)和局极值(gBest)。迭代数或适应度阈值。粒子以两者为参考，更新飞行方向和速度，产生下一代。其中，可调参数包括：叫为惯性权重，影响粒子的局部和全2实例及分析局搜索能力。合适的训可平衡全局和局部搜索能力，从而找到最优解和c。为加速度系数。合适的加速度系本文选取某土石坝2008年1月至2009年2月的数数能提高算法速度、避免局部极小。此外，粒子速度都由据进行实验，该坝建于2007年，形变测量周期约一周。其一个

6、最大速度V～值进行限制。中，选取2008、2009两年全年数据共97期构成训练样本1．2最小二乘支持向量回归算法集，2010年约半年共20期作为测试样本集。坝体形变因最小二乘支持向量回归算法在标准算法的基础上有子包括水位、时效及温度。其中，水位因子取H、H。、所改进，核心参数由3个减少为2个(惩罚系数7、高斯径H。(H为水位，分别为当天、前两期及前三期水位变化作者简介：刘延婷(1986一)，硕士，湖南省国土资源信息中心助理工程师，研究方向为测绘数据管理·5O·软件导刊2014年率)；时效因子M(M为年积日)，温度分量取T、T、T。(同现最优；采用5折交叉验证法优化

7、核心参数时，能得到相水位)7种属性。对属性数据采用极差规格化进行标准化。对较满意的准确度，但由于5折交叉验证法是一种基于穷经标准化后部分训练样本数据如表1所示。尽搜索的方法，其算法效率较低；经验指导的核心参数选择方案下的LSSVR算法，不需要进行迭代，仅需要进行开始一次求解，因此耗时最短，但其结果受主观【犬1素影响严重；初始化参数组合粒子群BP网络在预测过程中，未体现较好效果，其预测精度较模型学习样本差，耗时不稳定。采用PS()一ISSVR顺流向位移预测模型将例子作为参数代入LSSVR学习机学习结果如图2。模型测试样本粒子适应度评价纛更新局部和全局极值I输出关系模

8、型更新粒子