基于SVR组合模型的边坡位移预测研究

刘小生 于 良 冯腾飞

(江西理工大学建筑与测绘工程学院，江西 赣州 341000)

边坡变形是现今边坡普遍存在的现象，伴随着矿产越来越多的开采，边坡变形超限造成滑坡泥石流等灾难也越来越多。因此做好边坡预测、掌握矿山边坡变形的趋势，提前做好滑坡的准备，降低灾害所带来的损失具有重要的研究意义。

现今，传统的预测模型有许多不足[1]。而支持向量机(Support Vector Machine,简称SVM)能较好地解决以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有很强的泛化能力[2]。 为了使支持向量机更好地运用到边坡位移预测中，近年来不少学者对支持向量机中参数寻优方法进行了改进研究。一是用网格搜索法对支持向量机中参数进行寻优，但此种方法计算工作量大，必须是可行域单项逼近，所以计算时间随变量个数的增加而急剧增加，且可行域单项逼近并非就是最佳路线[3]，因此又称“穷举法”；二是用遗传算法对支持向量机中参数寻优，但是此法编程复杂，首先对问题要进行编码，当得到最优解后要进行解码，在算法实现过程中要用到许多参数，而设置这些参数大部分是依靠经验，严重影响解的质量，另外算法搜索速度较慢[4]；三是用标准粒子群算法对支持向量机中参数寻优，但是由于粒子总是向当前最优位置移动，导致粒子的多样性不足，易产生趋同性，使粒子群算法在解决高维多极值问题时，容易陷入局部最优[5]。……