改进的PSO-SVM模型在大坝变形预测中的应用

徐　朗，蔡德所

(三峡大学水利与环境学院，湖北 宜昌 443002)

0　引　言

依据大坝变形监测的实测资料，建立合理精准的分析预测模型是大坝安全监测中的一项重要工作。目前，运用较多的有神经网络模型、统计模型、时间序列模型以及支持向量机模型(SVM)[1]。在处理高维度、数据量少、呈非线性变化的大坝变形监测数据时，SVM模型表现出了良好的拟合能力和预测精度，是一种理想的大坝变形预测模型。在SVM模型中，决定模型性能的主要参数是惩罚参数c和核函数参数σ，一般采用粒子群算法(PSO)、遗传算法(GA)、网格划分的方式对c和σ进行寻优[2]。针对标准的PSO算法在寻优的过程中容易陷入局部最优和过早收敛的缺陷，许多学者提出了算法改进方法，但大多数都是对粒子速度更新公式中的惯性权重进行改进，且多采用固定参数设置或线性递减参数策略[3]。本文采用柯西分布函数和密度函数的非线性变化特征对PSO算法中粒子的速度和位置更新公式进行改进，运用改进后的PSO算法对SVM模型的惩罚参数c和核函数参数σ进行寻优，来解决标准PSO算法在寻优过程中存在易于陷入局部极小值和早熟收敛的情况。结合实际工程的监测数据，建立改进的PSO-SVM模型进行预测分析，预测结果表明，改进的PSO-SVM模型的拟合能力和预测精度有了明显的提升。

1　支持向量机理论

支持向量机是由Vapnik等人在1995年提出，它是在统计学习理论和结构风险最小化的基础上来进行实现[4]。支持向量机被广泛运用于解决模式分类、优化控制、回归分析以及非线性建模和预测等方面的问题。……