[1]王晨晖.基于主成分分析和粒子群优化支持向量机的边坡稳定性评价[J].防灾科技学院学报,2017,19(02):26-31.
 Wang Chenhui.Slope Stability Assessment Based on Principal Component Analysis and Support Vector Machine Optimized by Particle Swarm Optimization[J].JOURNAL OF INSTITUTE OF DISASTER PREVENTION,2017,19(02):26-31.
点击复制

基于主成分分析和粒子群优化支持向量机的边坡稳定性评价()
分享到:

《防灾科技学院学报》[ISSN:1673-8047/CN:13-1377/P]

卷:
第19卷
期数:
2017年02期
页码:
26-31
栏目:
目次
出版日期:
2017-06-30

文章信息/Info

Title:
Slope Stability Assessment Based on Principal Component Analysis and Support Vector Machine Optimized by Particle Swarm Optimization
作者:
王晨晖
河北地质大学勘查技术与工程学院,河北 石家庄050031
Author(s):
Wang Chenhui
School of Prospecting Technology& Engineering, Hebei GEO University, Shijiazhuang 050031, China
关键词:
边坡稳定性主成分分析法粒子群算法支持向量机
Keywords:
slope stability principal component analysis particle swarm optimization support vector machine
分类号:
TU457
文献标志码:
A
摘要:
为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达90.9%,满足工程要求。
Abstract:
To ensure a scientific evaluation for stability of slope engineering, optimization of the prediction accuracy of slope stability, and enhancement of efficiency, the support vector machine (SVM) model optimized by particle swarm optimization (PSO) was proposed. First, PCA was used to extract main features from influential factors of slope stability, the acquired principal components were taken as the eigenvectors of SVM to build SVM model, and then PSO was adopted to optimize SVM parameters. Finally, the assessment model of slope stability was established and used to predict the stability of slope examples. The results show that PCA-PSO-SVM model features speediness in running, a high prediction accuracy of 90.9%, fully meeting the general engineering requirements.

参考文献/References:

[1]赵建军,贺宇航,黄润秋,等. 基于因子分析法的边坡稳定性评价指标权重[J]. 西南交通大学学报,2015,40(2):325-330.
[2]陈国庆,黄润秋,石豫川,等. 基于动态和整体强度折减法的边坡稳定性分析[J]. 岩石力学与工程学报,2014,36(2):243-256.
[3]袁颖, 王帅伟, 刘珊珊. 落石落距的影响因素敏感性分析[J]. 防灾科技学院学报, 2015, 17(4):49-55.
[4]秋实, 左三胜. 某边坡地震工况下的稳定性数值模拟分析[J]. 防灾科技学院学报, 2015,17(1):47-52.
[5]史秀志,周健,郑纬,等. 边坡稳定性预测的Bayes判别分析方法及应用[J]. 四川大学学报(工程科学版),2010,35(3):63-68.
[6]王艳霞. 模糊数学在边坡稳定分析中的应用[J]. 岩土力学,2010,30(9):3000-3004.
[7]张正虎,袁孟科,邓建辉,等. 基于改进灰色-时序分析时变模型的边坡位移预测[J]. 岩石力学与工程学报,2014,(S2):3791-3797.
[8]李元松,陈文峰,李新平,等. 基于模糊神经网络的边坡稳定性评价方法[J]. 武汉理工大学学报,2013,26(1):113-118.
[9]饶运章,黄永刚,张永胜. 支持向量机在边坡稳定性预测中的应用[J]. 工业安全与环保,2016,28(7):37-39+54.
[10]胡军,王凯凯,董建华. 基于BCABC-SVM的边坡稳定性预测[J]. 沈阳工业大学学报,2016,25(2):222-227.
[11]俞俊平,陈志坚,武立军,等. 基于蚁群算法优化支持向量机的边坡位移预测[J]. 长江科学院院报,2015,19(4):22-27.
[12]罗战友,杨晓军,龚晓南. 基于支持向量机的边坡稳定性预测模型[J]. 岩石力学与工程学报,2005,30(1):144-148.
[13]徐飞,徐卫亚,王珂. 基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析[J]. 工程地质学报,2009,28(2):253-257.
[14]谷文成,柴宝仁,滕艳平. 基于粒子群优化算法的支持向量机研究[J]. 北京理工大学学报,2014,36(7):705-709.
[15]高昆仑,刘建明,徐茹枝,等. 基于支持向量机和粒子群算法的信息网络安全态势复合预测模型[J]. 电网技术,2011,20(4):176-182.
[16]齐敏芳, 付忠广, 景源,等. 基于信息熵与主成分分析的火电机组综合评价方法[J]. 中国电机工程学报, 2013,33(2):58-64.
[17]Vapnik V N. 1995. The nature of statistical learning theory [M]. New York: Springer-Verlag: 23-105.
[18]高国朋,颜可珍. 基于距离判别分析法的边坡稳定性预测模型及应用[J]. 水利与建筑工程学报,2010,24(3):43-45.
[19]周爱红, 尹超, 袁颖. 基于主成分分析和支持向量机的砂土渗透系数预测模型[J]. 云南大学学报自然科学版, 2016,38(5):742-749.

备注/Memo

备注/Memo:
收稿日期:2017-02-28 基金项目:国家自然科学基金项目(41301015);河北省教育厅重点项目(ZD2015073、ZD2016038);石家庄经济学院国家自然科学基金预研基金(syy201308);河北地质大学第十三届学生科技基金重点科研项目(KAG201607) 作者简介:王晨晖(1992—),男,硕士研究生,主要研究方向为地质灾害治理与防治。
更新日期/Last Update: 1900-01-01