本文關(guān)鍵詞：遺傳算法優(yōu)化支持向量機(jī)在大壩變形預(yù)測(cè)中的應(yīng)用

  更多相關(guān)文章： 大壩變形因子 支持向量機(jī) 遺傳算法 優(yōu)化 預(yù)測(cè)

【摘要】：建立大壩變形預(yù)測(cè)的支持向量機(jī)模型,并用遺傳算法對(duì)支持向量機(jī)模型的核函數(shù)參數(shù)、懲罰參數(shù)和損失參數(shù)進(jìn)行優(yōu)化。將同一優(yōu)化方法不同支持向量機(jī)核函數(shù)、不同優(yōu)化方法同種支持向量機(jī)核函數(shù)進(jìn)行橫向?qū)Ρ?將BP神經(jīng)網(wǎng)絡(luò)、自回歸AR(p)模型、多元回歸分析法和周期函數(shù)擬合法進(jìn)行縱向?qū)Ρ�。結(jié)果表明,該GA-SVM(RBF)模型不僅能較好地預(yù)測(cè)大壩的變形趨勢(shì),而且能大幅提高預(yù)測(cè)精度。
【作者單位】： 河海大學(xué)地球科學(xué)與工程學(xué)院;
【關(guān)鍵詞】： 大壩變形因子 支持向量機(jī) 遺傳算法 優(yōu)化 預(yù)測(cè)
【基金】：江蘇省普通高校研究生科研創(chuàng)新計(jì)劃(KYLX15_0478)~~
【分類(lèi)號(hào)】：TV698.11;TP18
【正文快照】： 本文用遺傳算法(genetic algorithm,GA)[1]來(lái)優(yōu)化支持向量機(jī)(support vector machines,SVM)[2-3]的參數(shù),并建立了大壩變形預(yù)測(cè)的GA-SVM模型。通過(guò)實(shí)例,對(duì)比分析了本文算法、BP神經(jīng)網(wǎng)絡(luò)、自回歸AR(p)模型、多元回歸分析法和周期函數(shù)擬合法。1支持向量機(jī)模型支持向量機(jī)是一種以，

本文編號(hào)：686913