文献类型：期刊文章

作　　者：钱秋培[1,2,3] 崔伟杰[4] 包腾飞[1,2,3] 李慧[1,2,3]

QIAN Qiu-pei;CUI Wei-jie;BAO Teng-fei;LI Hui(State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering,Hohai University,Nanjing 210098,China;National Engineering Research Center of Water Resources Efficient Utilization and Engineering Safety,Hohai University,Nanjing 210098,China;College of Water Conservancy and Hydropower,Hohai University,Nanjing 210098,China;Yalong River Hydropower Development Company,Ltd.,Chengdu 610051,China)

机构地区：[1]河海大学水文水资源与水利工程科学国家重点实验室,南京210098 [2]河海大学水资源高效利用与工程安全国家工程研究中心,南京210098 [3]河海大学水利水电学院,南京210098 [4]雅砻江流域水电开发有限公司,成都610051

出　　处：《长江科学院院报》

基　　金：国家自然科学基金项目(51579086;51479054;51379068;51139001);江苏省杰出青年基金项目(BK20140039);江苏高校优势学科建设工程项目(YS11001)

年　　份：2018

卷　　号：35

期　　号：8

起止页码：46-50

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2017_2018、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：大坝变形与水位、温度、时效等较多因素非线性相关,支持向量机(Support Vector Machine,SVM)适用于小样本、非线性、高维学习问题,在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理,介绍了应用SVM建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题,通过实例分析,研究基于SVM的混凝土坝变形监控模型的预测能力。结果表明,基于SVM的混凝土坝变形监控模型短期预测能力优于长期预测能力,且其预测能力受预测集数目的影响大于算法优化的影响。因此,合理选择预测集数目对变形监控模型有效预测尤为重要。

关 键 词：混凝土坝 变形监控  SVM 粒子群算法 预测能力  实例分析

分 类 号：TV698.11]