基于ε-SVR滑坡位移预测.pdfVIP

基于e-SVR的滑坡位移预测 方臣1，王正海1，一，耿欣1，段建军1 1．中山大学地球科学系，广东广州510275； 2．广东省地质过程与矿产资源探查重点实验室，广东广州510275 摘要：对于预测滑坡位移变化的非线性问题，本文利用支持向量机在回归分析中的方托- 支持向量回归机 e-SVR ，采用不同的核函数分别对福建八尺门滑坡进行位移预测分析， 结果显示，该方法的预测精度高，实用性强。 关键词：￡-支持向量回归机、滑坡、位移预测 Predictionoflandslide based vector displacementon￡一supportregression machine FANG G Chenl，WANZheng-hail2,GENGX甜，DUANJian-junI of Earth Yat-sen 1．DepartmentSciences，SunOniversity，Guangzhou510275，China； Provincial of Processesand 2．GuangdonggayLaboratoryGeological Mineral 51 Resources 0275，Charm Exploration，Guangzhou Abstract：Tosolvethenonlinear aboutforecastthe oflandslide problem change displacement， We璐eanew voctor machine．Thismethodisbaseon method--s-supportregression support vectormachine．Inthis usedifferentnuclearfunctionOilthismethodto the paper,we predict dataofBachimenof resultsshowthatthe is displacement Fujian．The predictionaccuracygood andthismethodcan to oflandslidelacement． effectivelyapplyprediction disp vector Keywords：昏supportregressionmachine；landslide；displacementprediction 引言 滑坡是一种破坏性大的的地质灾害，由于滑坡地质过程、形成条件、诱发因素的复杂性、 多样性，滑坡的位移预测一直是个难点。随着现代数学理论和计算机技术的快速发展，国内 外研究者提出了一系列新的滑坡位移预测方法。支持向量机 SVM 是Vapnik等提出的一 种新的机器学习方法，该方法是建立在统计学习理论的VC维理论和结构风险最小化原理的 基础上，根据有限的样本信息在模型复杂性和学习能力之间寻求最佳折衷，以期望获得最好 的推广能力【l】。支持向量机由于在解决小样本、非线性、高维数及局部极小点等实际问题中 表现出许多特有的优势，本文尝试用这种方法对滑坡位移数据进行预测分析。 79 年教师培育计划项H 2010．32110．座机电话号码 。 1支持向量机基本原理 支持向量机是从线性可分情况下的最优分类面发展而来的，基本思想可用图1说明。图 中，实心点和空心点代表两类样本，H为分类线，Hl、琏分别为过各类中离分类线最近的 样本且平行于分类线的直线，他们之问的距离叫做分类问隔 margin 。所谓最优分类线就是 要求分类线不但能将两类正确分开，而且使分类间隔最大陋1。 O ● 11wlI Margin 21 图1线性可分情况下的最优分类线 2支持向量回归机 支持向量机最开始应用于分类问题，由于回归问题和分类问题很相似，在分类问题中输 出值只允许两个或多个有限值，而在回归问题中，输出值可以是任意实数。因此在回归问题 方面，支持向量机也有着很好的应用，本文所采用的就是支持向量机在回归方面的一种算法 ￡．支持向量回归机 ￡-SVR 。 支持向量回归机算法：给定训练集 T x1，Y1 ．…． x1．Y0 ∈ Rn×Y 1 z1 其中Xl∈Rn nYi∈YJi 1一．．1，对于线性同归问题，根据此训练集在Rn上寻找一个线性函数 g x w·x +b，通过任意输入值X推断其输出值y。对于非线性问题，我们则需要引进 一个变换 p x 将训练数据映射到一个高维空间，把原空间的非线性回归转换成高维空问的线 性回归。在支持向量机中可以通过核函数来实现这一转换[31。常用的核函数有 1 多项式核函数 K x．玛 【 x-x0+1】d 2 径向基 RBF 核函数 K K捣 expf一