CN114997040A - 一种基于改进支持向量回归的滑坡模拟参数反演方法 - Google Patents

一种基于改进支持向量回归的滑坡模拟参数反演方法 Download PDF

Info

Publication number
CN114997040A
CN114997040A CN202210486789.0A CN202210486789A CN114997040A CN 114997040 A CN114997040 A CN 114997040A CN 202210486789 A CN202210486789 A CN 202210486789A CN 114997040 A CN114997040 A CN 114997040A
Authority
CN
China
Prior art keywords
matrix
landslide
prey
individuals
simulation parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210486789.0A
Other languages
English (en)
Inventor
闫龙
许晓逸
徐卫亚
陈世壮
王海江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210486789.0A priority Critical patent/CN114997040A/zh
Publication of CN114997040A publication Critical patent/CN114997040A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进支持向量回归的滑坡模拟参数反演方法，基于数值模拟模型，结合目标滑坡区域现场监测采集的数据来反演数值模拟中所需要使用的，通过构建滑坡模拟参数反演模型获得目标滑坡区域的预设滑坡模拟参数类型组的数据，并且使用改进的支持向量回归方法对滑坡模拟参数反演模型的待优化参数进行优化，同时加入以现场采集数据为约束的外部条件，能够综合考虑目标滑坡区域多方因素对预设滑坡模拟参数类型组的数据的影响，使得预设滑坡模拟参数类型组的数据更加符合实际情况，并且解决了支持向量回归参数不好确定的问题，通过优化待优化参数不断减小支持向量回归预测误差，不仅对岩土参数反演有指导意义，在算法优化发明也有一定研究意义。

Description

一种基于改进支持向量回归的滑坡模拟参数反演方法
技术领域
本发明属于智能化数值仿真模拟领域，具体涉及为一种基于改进支持向量回归的滑坡模拟参数反演方法。
背景技术
随着计算机科学计算的高速发展，在岩土数值分析领域出现了大量能用于解决实际工程问题的岩土数值分析软件，这些岩土数值分析软件往往作为工程相关决策的辅助工具，用于进行工程建设过程相关变化的预测。以滑坡工程为例，在评估滑坡危害性以及设计滑坡治理方案等环节，均会利用数值模拟方法进行相应分析研究。由此可见，数值模拟结果的准确性将会直接影响后续工程的相关决策。输入参数是影响数值模拟结果准确性的重要因素。目前的数值模拟参数往往采用的是试验所得参数，而实际上，由于物理尺度以及样品扰动等因素的影响，试验所得参数与自然条件下的参数有较大出入。采用这样的参数，所得到的数值模拟很难为工程提供指导意见。
支持向量机是一种成熟的机器学习方法，其包括SVM分类器以及SVR回归分析，主要被应用于进行分类识别和预测等方面，其中SVR回归分析被大量研究证实在结果预测及反演中表现出比较好的适应性。在SVR回归分析中，存在两个影响预测结果精度的参数，针对不同的预测情况，参数的选取会有不同，如何正确的选取SVR参数成为需要解决的问题，需要对SVR回归分析进行优化改进。
发明内容
本发明所要解决的技术问题是解决现有技术中数值模拟输入参数的选取问题，提高数值模拟结果精度，为滑坡的风险评估和治理提供准确的判断。
为解决上述技术问题，本发明采用以下技术方案：
一种基于改进支持向量回归的滑坡模拟参数反演方法，针对目标滑坡区域，执行以下步骤，执行以下步骤，构建目标滑坡区域的滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据：
步骤A：针对目标滑坡区域，基于正交数值模拟方法获得以预设滑坡模拟参数类型组的数据为输入、目标滑坡区域在预设时长段内的位移数据为输出的滑坡数值模型；
步骤B：基于目标滑坡区域中各预设位置的监测点，对预设时长段以预设时间步长进行划分获得各时间段，基于滑坡数值模型,获得在各时间段下预设滑坡模拟参数类型组对应的不同数据、以及不同数据分别对应各监测点的位移数据作为训练集，采集在各时间段下目标滑坡区域预设滑坡模拟参数类型组的数据、以及对应各监测点的位移数据作为测试集；
步骤C：针对在预设时长段内的训练集与测试集，以一时间段下各监测点的位移数据为输入，该时间段下该各监测点位移数据对应的预设滑坡模拟参数类型组的数据为输出，通过改进的支持向量回归方法构建滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据。
作为本发明的一种优选技术方案，所述预设滑坡模拟参数类型组包括粘聚力c与摩擦角
Figure BDA0003629463290000021
作为本发明的一种优选技术方案，所述步骤C中，所述改进的支持向量回归方法通过以下步骤C1至步骤C3，对滑坡模拟参数反演模型的待优化参数进行优化，通过优化得到的待优化参数构建滑坡模拟参数反演模型：
步骤C1：将滑坡模拟参数反演模型的待优化参数设置为种群个体，随机生成待优化参数构成的猎物矩阵Prey，Prey为n×d的矩阵，n为种群数量，d为种群维度即待优化参数数量；基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以滑坡模拟参数反演模型的误差函数为适应度函数，保留适应度函数值最小对应的种群个体，并将该种群个体复制n次构成捕食者矩阵Elite，捕食者矩阵Elite与猎物矩阵Prey维度相同；
步骤C2：基于猎物矩阵Prey、捕食者矩阵Elite，针对训练集与测试集，结合预设迭代次数M，迭代执行以下过程，迭代更新捕食者矩阵Elite，最终输出捕食者矩阵Elite：
更新猎物矩阵Prey，基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以滑坡模拟参数反演模型的误差函数为适应度函数，将适应度函数值最小对应的猎物矩阵种群个体与捕食者矩阵中相同位置种群个体对应的适应度函数值进行对比，若猎物矩阵种群个体对应的适应度函数值优于捕食者矩阵种群个体对应的适应度函数值，则将猎物矩阵种群个体替换该捕食者矩阵种群个体，更新捕食者矩阵Elite，进入下一次迭代，重复步骤C2；若猎物矩阵种群个体对应的适应度函数值不优于捕食者矩阵种群个体对应的适应度函数值，则捕食者矩阵Elite保持不变进入下一次迭代，重复步骤C2；
步骤C3：针对步骤C2得到的捕食者矩阵Elite，对捕食者矩阵Elite中的各种群个体进行筛选，得到一个种群个体，即为优化得到的待优化参数。
作为本发明的一种优选技术方案，所述滑坡模拟参数反演模型适应度函数F，如下所示：
F＝(X′-X)+(Y′-Y)
其中，X、Y表示已知的预设滑坡模拟参数类型组的数据，X′、Y′表示通过滑坡模拟参数反演模型获得的预设滑坡模拟参数类型组的数据。
作为本发明的一种优选技术方案，所述步骤C2中每次迭代开始时通过以下方法更新猎物矩阵Prey，
当m<M/3时，通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000031
Figure BDA0003629463290000032
其中，m表示当前迭代次数，stepsizei为第i个种群个体的移动步长；RB为采用布朗随机游走产生的随机向量，维度是d；Preyi为猎物矩阵Prey中第i个种群个体；Elitei为捕食者矩阵Elite中第i个种群个体；P为预设常数；R为0到1之间的均匀分布的随机数组成的向量，维度是d；
当M/3≤m<2M/3时，通过以下公式更新猎物矩阵Prey：
猎物矩阵Prey的前n/2个种群个体通过以下公式更新：
Figure BDA0003629463290000033
Figure BDA0003629463290000034
猎物矩阵Prey的后n/2个种群个体通过以下公式更新：
Figure BDA0003629463290000035
Figure BDA0003629463290000036
其中，RL为采用莱维运动产生的随机向量，维度是d；CF为步长stepsizei的预设自适应参数；
当2M/3≤m时，通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000037
Figure BDA0003629463290000038
作为本发明的一种优选技术方案，针对每次迭代中开始时更新的猎物矩阵Prey，对猎物矩阵Prey中的各种群个体采用PWLCM混沌映射进行混沌扰动，比较扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，更新猎物矩阵Prey进行本次迭代；
映射公式为：
E′＝E×zm
扰动因子表达为：
Figure BDA0003629463290000041
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5。
作为本发明的一种优选技术方案，针对每次迭代过程结束后，对本次迭代过程中的猎物矩阵Prey执行FADs效应，更新猎物矩阵Prey进入下一次迭代，
通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000042
其中，FADs为预设常数，U为随机二进制数组，维度是d，Xmin为待优化参数搜索空间下限，Xmax为待优化参数搜索空间上限，r为[0,1]间的随机数，Preya Preyb分别为猎
、物矩阵内随机的两个种群个体。
作为本发明的一种优选技术方案，所述待优化参数为正则化系数r和核函数系数σ。
作为本发明的一种优选技术方案，所述步骤C3中对捕食者矩阵Elite中的各种群个体进行筛选的过程如下：
步骤C3.1：基于捕食者矩阵Elite，根据捕食者矩阵Elite中各种群个体对应的适应度函数值，以适应度函数值最小作为最优选择标准，保留预设个数的种群个体；
步骤C3.2：针对预设个数的种群个体，采用PWLCM混沌映射对各种群个体分别进行混沌扰动，比较混动扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，对预设个数的种群个体进行更新；
映射公式为：
E′＝E×zM
扰动因子表达为：
Figure BDA0003629463290000043
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5；
步骤C3.3：基于对目标滑坡区域采集到的预设滑坡模拟参数类型组的数据，构建拟合线性方程
Figure BDA0003629463290000051
针对预设个数的种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以各滑坡模拟参数反演模型分别获得目标滑坡区域的预设滑坡模拟参数类型组的数据，以各预设滑坡模拟参数类型组的数据分别对应的点到拟合线性方程对应的线的垂直距离最短为筛选原则，保留距离最短对应的种群个体为优化得到的待优化的参数。
本发明的有益效果是：本发明提供了一种基于改进支持向量回归的滑坡模拟参数反演方法，基于数值模拟模型，结合目标滑坡区域现场监测采集的数据来反演数值模拟中所需要使用的滑坡模拟参数，本发明中通过构建滑坡模拟参数反演模型获得目标滑坡区域的预设滑坡模拟参数类型组的数据，通过改进的支持向量回归方法对滑坡模拟参数反演模型的待优化参数进行优化，同时加入以现场采集数据为约束的外部条件，能够综合考虑目标滑坡区域多方因素对预设滑坡模拟参数类型组的数据的影响，使得预设滑坡模拟参数类型组的数据更加符合实际情况，并且解决了支持向量回归参数不好确定的问题，通过优化待优化参数不断减小支持向量回归预测误差，不仅对岩土参数反演有指导意义，在算法优化发明也有一定研究意义。
附图说明
图1为本发明的方法流程图；
图2为优化待优化参数的流程图；本发明改进的支持向量回归计算框图；
图3为滑坡数值模型；
图4为滑坡数值模型输出结果；
图5为滑坡部分现场试验岩土参数线性方程曲线图。
具体实施方式
下面结合附图对本发明进行进一步说明。下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
由于目前的滑坡模拟参数往往采用的是试验所得参数，而实际上，由于物理尺度以及样品扰动等因素的影响，试验所得参数与自然条件下的参数有较大出入，为解决现有技术中数值模拟输入参数的选取问题，提高数值模拟结果精度，为滑坡的风险评估和治理提供准确的判断，提出了一种基于改进支持向量回归的滑坡模拟参数反演方法来最小化模拟结果和实际测量值之间的差异，利用改进支持向量机理论，优化数值模拟输入参数，使得模拟结果接近于实际测量值。
一种基于改进支持向量回归的滑坡模拟参数反演方法，针对目标滑坡区域，执行以下步骤，如图1所示，构建目标滑坡区域的滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据，所述预设滑坡模拟参数类型组包括粘聚力c与摩擦角
Figure BDA0003629463290000063
步骤A：针对目标滑坡区域，基于正交数值模拟方法获得以预设滑坡模拟参数类型组的数据为输入、目标滑坡区域在预设时长段内的位移数据为输出的滑坡数值模型；该滑坡数值模型应包含与现场监测点位置即各预设位置的监测点相对应的模型节点，如图3所示。
步骤B：基于目标滑坡区域中各预设位置的监测点，对预设时长段以预设时间步长进行划分获得各时间段，基于滑坡数值模型,获得在各时间段下预设滑坡模拟参数类型组对应的不同数据、以及不同数据分别对应各监测点的位移数据作为训练集，采集在各时间段下目标滑坡区域预设滑坡模拟参数类型组的数据、以及对应各监测点的位移数据作为测试集；由于滑坡参数区间可取范围过大，所以在本实施例中基于目标滑坡区域的情况，以目标滑坡区域试验所得预设滑坡模拟参数类型组的数据区间为数值模拟模型的输入参数区间，以一定间距从试验所得参数区间c:[68.10,80.90]，
Figure BDA0003629463290000061
选取滑坡模型输入参数，进行正交数值模拟，得到一系列正交的数值模拟结果，记录每次数值模拟结果，构成学习样本，其中一个预设滑坡模拟参数类型组的数据对应的数值模拟结果如图4所示，结果中包含现场各预设位置的监测点对应模型节点位移信息；基于现场采集的各预设滑坡模拟参数类型组的数据对应的各预设位置的监测点的位移数据作为测试样本，即训练集和测试集，本实施例中，训练集和测试集应不小于200组。部分结果统计如表1所示。
表1截取部分滑坡数值模拟结果
Figure BDA0003629463290000062
步骤C：针对在预设时长段内的训练集与测试集，以一时间段下各监测点的位移数据为输入，该时间段下该各监测点位移数据对应的预设滑坡模拟参数类型组的数据为输出，通过改进的支持向量回归方法构建滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据。
所述步骤C中，所述改进的支持向量回归方法通过以下步骤C1至步骤C3，如图2所示，对滑坡模拟参数反演模型的待优化参数进行优化，通过优化得到的待优化参数构建滑坡模拟参数反演模型，所述待优化参数为正则化系数r和核函数系数σ：
步骤C1：将滑坡模拟参数反演模型的待优化参数设置为种群个体，随机生成待优化参数构成的猎物矩阵Prey，Prey为n×d的矩阵，n为种群数量，d为种群维度即待优化参数数量，设置滑坡模拟参数反演模型的初始参数包括内核函数、迭代次数、最大容差等参数。确定SVR待优化参数(r,σ)的搜索空间，本实例所使用参数区间分别为：r:[0.01,100],σ:[0.01,100]；基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，输入步骤B中准备好的数据中的位移数据，以滑坡模拟参数反演模型的误差函数为适应度函数，保留适应度函数值最小对应的种群个体，并将该种群个体复制n次构成捕食者矩阵Elite，捕食者矩阵Elite与猎物矩阵Prey维度相同。
初始化猎物矩阵Prey，Prey矩阵根据如下表达式建立：
Figure BDA0003629463290000071
该过程模仿海洋生物的捕食活动，海洋捕食者通过在Lévy游走或布朗游走之间选择最佳觅食策略。每次优化迭代中，猎物根据与捕食者的速度比选择游走方式，更新自己的位置，捕食者根据猎物位置，更新自身最优捕食位置。重复迭代过程，直到捕食者位置满足条件要求。
步骤C2：基于猎物矩阵Prey、捕食者矩阵Elite，针对训练集与测试集，结合预设迭代次数M，迭代执行以下过程，迭代更新捕食者矩阵Elite，最终输出捕食者矩阵Elite：该迭代训练过程包括基于训练集构建的滑坡模拟参数反演模型，并通过测试集对其进行校正，直到达到预设迭代次数M，迭代结束，输出捕食者矩阵Elite：
更新猎物矩阵Prey，基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以滑坡模拟参数反演模型的误差函数为适应度函数，将适应度函数值最小对应的猎物矩阵种群个体与捕食者矩阵中相同位置种群个体对应的适应度函数值进行对比，若猎物矩阵种群个体对应的适应度函数值优于捕食者矩阵种群个体对应的适应度函数值，则将猎物矩阵种群个体替换该捕食者矩阵种群个体，更新捕食者矩阵Elite，进入下一次迭代，重复步骤C2；若猎物矩阵种群个体对应的适应度函数值不优于捕食者矩阵种群个体对应的适应度函数值，则捕食者矩阵Elite保持不变进入下一次迭代，重复步骤C2；
所述滑坡模拟参数反演模型适应度函数F，如下所示：
F＝(X′-X)+(Y′-Y)
其中，X、Y表示已知的预设滑坡模拟参数类型组的数据，即训练集与测试集内的数据，X′、Y′表示通过滑坡模拟参数反演模型获得的预设滑坡模拟参数类型组的数据。
所述步骤C2中每次迭代开始时通过以下方法更新猎物矩阵Prey；
当m<M/3时，主要发生在优化迭代过程的前期，此时猎物速度大于捕猎者速度，猎物位置更新采用布朗游走方式，通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000081
Figure BDA0003629463290000082
其中，m表示当前迭代次数，stepsizei为第i个种群个体的移动步长；RB为采用布朗随机游走产生的随机向量，维度是d；Preyi为猎物矩阵Prey中第i个种群个体；Elitei为捕食者矩阵Elite中第i个种群个体；P为预设常数；R为0到1之间的均匀分布的随机数组成的向量，维度是d；
当M/3≤m<2M/3时，主要发生在优化过程中期，此时猎物与捕食者速度相同，种群被分为两部分，其中猎物做Lévy运动，负责算法在搜索空间内开发，捕食者做布朗运动，负责算法在搜索空间内探索，通过以下公式更新猎物矩阵Prey：
猎物矩阵Prey的前n/2个种群个体通过以下公式更新：
Figure BDA0003629463290000083
Figure BDA0003629463290000084
猎物矩阵Prey的后n/2个种群个体通过以下公式更新：
Figure BDA0003629463290000085
Figure BDA0003629463290000086
其中，RL为采用莱维运动产生的随机向量，维度是d；CF为步长stepsizei的预设自适应参数；
当2M/3≤m时，主要发生在优化过程后期，捕食者的移动速度比猎物快，主要注重算法的局部开发，通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000091
Figure BDA0003629463290000092
针对每次迭代中开始时更新的猎物矩阵Prey，对猎物矩阵Prey中的各种群个体采用PWLCM混沌映射进行混沌扰动，为了削弱计算机技术本身随机数的产生过程存在的伪随机性，进一步加强搜索能力，比较扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，更新猎物矩阵Prey进行本次迭代；
映射公式为：
E′＝E×zm
扰动因子表达为：
Figure BDA0003629463290000093
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5。
针对每次迭代过程结束后，对本次迭代过程中的猎物矩阵Prey执行FADs效应，更新猎物矩阵Prey进入下一次迭代，创造部分较长跃迁的机会，用于跳出算法局部最优解，
通过以下公式更新猎物矩阵Prey：
Figure BDA0003629463290000094
其中，FADs为预设常数，U为随机二进制数组，维度是d，Xmin为待优化参数搜索空间下限，Xmax为待优化参数搜索空间上限，r为[0,1]间的随机数，Preya、Preyb分别为猎物矩阵内随机的两个种群个体，其中，FADs＝0.2。
步骤C3：针对步骤C2得到的捕食者矩阵Elite，对捕食者矩阵Elite中的各种群个体进行筛选，得到一个种群个体，即为优化得到的待优化参数。
所述步骤C3中对捕食者矩阵Elite中的各种群个体进行筛选的过程如下：
步骤C3.1：基于捕食者矩阵Elite，根据捕食者矩阵Elite中各种群个体对应的适应度函数值，以适应度函数值最小作为最优选择标准，保留预设个数的种群个体，本实施例中保留适应度最优的5个种群个体。
步骤C3.2：针对预设个数的种群个体，采用PWLCM混沌映射对各种群个体分别进行混沌扰动，比较混动扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，对预设个数的种群个体进行更新；
映射公式为：
E′＝E×zM
扰动因子表达为：
Figure BDA0003629463290000101
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5
步骤C3.3：以线性关系考虑滑坡岩土参数粘聚力和内摩擦角之间的相关性，基于对目标滑坡区域采集到的预设滑坡模拟参数类型组的数据，构建拟合线性方程
Figure BDA0003629463290000102
针对预设个数的种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以各滑坡模拟参数反演模型分别获得目标滑坡区域的预设滑坡模拟参数类型组的数据，以各预设滑坡模拟参数类型组的数据分别对应的点到拟合线性方程对应的线的垂直距离最短为筛选原则，保留距离最短对应的种群个体为优化得到的待优化的参数。
通过由以下距离公式，分别确定5个种群个体到线性方程
Figure BDA0003629463290000103
之间的距离：
Figure BDA0003629463290000104
其中c0，
Figure BDA0003629463290000105
为由各种群个体得到的滑坡模拟参数。
本实施例中，利用现场采集到的滑坡模拟参数，部分滑坡现场数据，如表2所示；拟合线性方程
Figure BDA0003629463290000106
如图5所示。
表2部分滑坡现场数据
Figure BDA0003629463290000111
由以下公式，分别确定5个种群个体到线性方程
Figure BDA0003629463290000112
之间的距离：
Figure BDA0003629463290000113
本技术方案中滑坡参数反演预测模型的输入数据为现场实时监测所得的，监测数据应考虑时效性，监测数据的时间历程应与训练反演模型所用样本数据的时间历程相同。基于由改进的支持向量回归方法构建滑坡模拟参数反演模型，将现场各预设位置的监测点的位移监测资料输入，即可获得预设滑坡模拟参数类型组的数据，即作为目标滑坡区域在未来时间方向的滑坡模拟参数。
本发明设计了一种基于改进支持向量回归的滑坡模拟参数反演方法，基于数值模拟模型，结合目标滑坡区域现场监测采集的数据来反演数值模拟中所需要使用的滑坡模拟参数，理论过程坚实可行，本发明中通过构建滑坡模拟参数反演模型获得目标滑坡区域的预设滑坡模拟参数类型组的数据，通过改进的支持向量回归方法对滑坡模拟参数反演模型的待优化参数进行优化，同时加入以现场采集数据为约束的外部条件，能够综合考虑目标滑坡区域多方因素对预设滑坡模拟参数类型组的数据的影响，使得预设滑坡模拟参数类型组的数据更加符合实际情况，并且解决了支持向量回归参数不好确定的问题，通过优化待优化参数不断减小支持向量回归预测误差，不仅对岩土参数反演有指导意义，在算法优化发明也有一定研究意义。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (9)

1.一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：针对目标滑坡区域，执行以下步骤，构建目标滑坡区域的滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据：
步骤A：针对目标滑坡区域，基于正交数值模拟方法获得以预设滑坡模拟参数类型组的数据为输入、目标滑坡区域在预设时长段内的位移数据为输出的滑坡数值模型；
步骤B：基于目标滑坡区域中各预设位置的监测点，对预设时长段以预设时间步长进行划分获得各时间段，基于滑坡数值模型,获得在各时间段下预设滑坡模拟参数类型组对应的不同数据、以及不同数据分别对应各监测点的位移数据作为训练集，采集在各时间段下目标滑坡区域预设滑坡模拟参数类型组的数据、以及对应各监测点的位移数据作为测试集；
步骤C：针对在预设时长段内的训练集与测试集，以一时间段下各监测点的位移数据为输入，该时间段下该各监测点位移数据对应的预设滑坡模拟参数类型组的数据为输出，通过改进的支持向量回归方法构建滑坡模拟参数反演模型，获得目标滑坡区域预设滑坡模拟参数类型组的数据。
2.根据权利要求1所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述预设滑坡模拟参数类型组包括粘聚力c与摩擦角
Figure FDA0003629463280000011
3.根据权利要求2所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述步骤C中，所述改进的支持向量回归方法通过以下步骤C1至步骤C3，对滑坡模拟参数反演模型的待优化参数进行优化，通过优化得到的待优化参数构建滑坡模拟参数反演模型：
步骤C1：将滑坡模拟参数反演模型的待优化参数设置为种群个体，随机生成待优化参数构成的猎物矩阵Prey，Prey为n×d的矩阵，n为种群数量，d为种群维度即待优化参数数量；基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以滑坡模拟参数反演模型的误差函数为适应度函数，保留适应度函数值最小对应的种群个体，并将该种群个体复制n次构成捕食者矩阵Elite，捕食者矩阵Elite与猎物矩阵Prey维度相同；
步骤C2：基于猎物矩阵Prey、捕食者矩阵Elite，针对训练集与测试集，结合预设迭代次数M，迭代执行以下过程，迭代更新捕食者矩阵Elite，最终输出捕食者矩阵Elite：
更新猎物矩阵Prey，基于猎物矩阵Prey中的各种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以滑坡模拟参数反演模型的误差函数为适应度函数，将适应度函数值最小对应的猎物矩阵种群个体与捕食者矩阵中相同位置种群个体对应的适应度函数值进行对比，若猎物矩阵种群个体对应的适应度函数值优于捕食者矩阵种群个体对应的适应度函数值，则将猎物矩阵种群个体替换该捕食者矩阵种群个体，更新捕食者矩阵Elite，进入下一次迭代，重复步骤C2；若猎物矩阵种群个体对应的适应度函数值不优于捕食者矩阵种群个体对应的适应度函数值，则捕食者矩阵Elite保持不变进入下一次迭代，重复步骤C2；
步骤C3：针对步骤C2得到的捕食者矩阵Elite，对捕食者矩阵Elite中的各种群个体进行筛选，得到一个种群个体，即为优化得到的待优化参数。
4.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述滑坡模拟参数反演模型适应度函数F，如下所示：
F＝(X′-X)+(Y′-Y)
其中，X、Y表示已知的预设滑坡模拟参数类型组的数据，X′、Y′表示通过滑坡模拟参数反演模型获得的预设滑坡模拟参数类型组的数据。
5.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述步骤C2中每次迭代开始时通过以下方法更新猎物矩阵Prey，
当m<M/3时，通过以下公式更新猎物矩阵Prey：
Figure FDA0003629463280000021
Figure FDA0003629463280000022
其中，m表示当前迭代次数，stepsizei为第i个种群个体的移动步长；RB为采用布朗随机游走产生的随机向量，维度是d；Preyi为猎物矩阵Prey中第i个种群个体；Elitei为捕食者矩阵Elite中第i个种群个体；P为预设常数；R为0到1之间的均匀分布的随机数组成的向量，维度是d；
当M/3≤m<2M/3时，通过以下公式更新猎物矩阵Prey：
猎物矩阵Prey的前n/2个种群个体通过以下公式更新：
Figure FDA0003629463280000023
Figure FDA0003629463280000024
猎物矩阵Prey的后n/2个种群个体通过以下公式更新：
Figure FDA0003629463280000025
Figure FDA0003629463280000026
其中，RL为采用莱维运动产生的随机向量，维度是d；CF为步长stepsizei的预设自适应参数；
当2M/3≤m时，通过以下公式更新猎物矩阵Prey：
Figure FDA0003629463280000031
Figure FDA0003629463280000032
6.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：针对每次迭代中开始时更新的猎物矩阵Prey，对猎物矩阵Prey中的各种群个体采用PWLCM混沌映射进行混沌扰动，比较扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，更新猎物矩阵Prey进行本次迭代；
映射公式为：
E′＝E×zm
扰动因子表达为：
Figure FDA0003629463280000033
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5。
7.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：针对每次迭代过程结束后，对本次迭代过程中的猎物矩阵Prey执行FADs效应，更新猎物矩阵Prey进入下一次迭代，
通过以下公式更新猎物矩阵Prey：
Figure FDA0003629463280000034
其中，FADs为预设常数，U为随机二进制数组，维度是d，Xmin为待优化参数搜索空间下限，Xmax为待优化参数搜索空间上限，r为[0,1]间的随机数，Preya、Preyb分别为猎物矩阵内随机的两个种群个体。
8.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述待优化参数为正则化系数r和核函数系数σ。
9.根据权利要求3所述的一种基于改进支持向量回归的滑坡模拟参数反演方法，其特征在于：所述步骤C3中对捕食者矩阵Elite中的各种群个体进行筛选的过程如下：
步骤C3.1：基于捕食者矩阵Elite，根据捕食者矩阵Elite中各种群个体对应的适应度函数值，以适应度函数值最小作为最优选择标准，保留预设个数的种群个体；
步骤C3.2：针对预设个数的种群个体，采用PWLCM混沌映射对各种群个体分别进行混沌扰动，比较混动扰动前后种群个体对应的适应度函数值，保留适应度函数值更优的种群个体，对预设个数的种群个体进行更新；
映射公式为：
E′＝E×zM
扰动因子表达为：
Figure FDA0003629463280000041
其中，E′为猎物矩阵Prey内的种群个体进行混沌扰动后的种群个体，E为猎物矩阵Prey内的种群个体映射前的种群个体，m指代迭代次数，z1＝0.5；
步骤C3.3：基于对目标滑坡区域采集到的预设滑坡模拟参数类型组的数据，构建拟合线性方程
Figure FDA0003629463280000042
针对预设个数的种群个体，建立各种群个体分别对应的滑坡模拟参数反演模型，以各滑坡模拟参数反演模型分别获得目标滑坡区域的预设滑坡模拟参数类型组的数据，以各预设滑坡模拟参数类型组的数据分别对应的点到拟合线性方程对应的线的垂直距离最短为筛选原则，保留距离最短对应的种群个体为优化得到的待优化的参数。
CN202210486789.0A 2022-05-06 2022-05-06 一种基于改进支持向量回归的滑坡模拟参数反演方法 Pending CN114997040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210486789.0A CN114997040A (zh) 2022-05-06 2022-05-06 一种基于改进支持向量回归的滑坡模拟参数反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210486789.0A CN114997040A (zh) 2022-05-06 2022-05-06 一种基于改进支持向量回归的滑坡模拟参数反演方法

Publications (1)

Publication Number Publication Date
CN114997040A true CN114997040A (zh) 2022-09-02

Family

ID=83025265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210486789.0A Pending CN114997040A (zh) 2022-05-06 2022-05-06 一种基于改进支持向量回归的滑坡模拟参数反演方法

Country Status (1)

Country Link
CN (1) CN114997040A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116094053A (zh) * 2023-04-06 2023-05-09 国网江西省电力有限公司电力科学研究院 一种构网型电源多机并联控制方法
CN116486338A (zh) * 2023-04-25 2023-07-25 淮阴工学院 一种危化产品仓库状态监测方法及预警系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116094053A (zh) * 2023-04-06 2023-05-09 国网江西省电力有限公司电力科学研究院 一种构网型电源多机并联控制方法
CN116094053B (zh) * 2023-04-06 2023-08-15 国网江西省电力有限公司电力科学研究院 一种构网型电源多机并联控制方法
CN116486338A (zh) * 2023-04-25 2023-07-25 淮阴工学院 一种危化产品仓库状态监测方法及预警系统

Similar Documents

Publication Publication Date Title
CN114997040A (zh) 一种基于改进支持向量回归的滑坡模拟参数反演方法
Keelin The metalog distributions
JP2017182319A (ja) 機械学習装置
Tashkova et al. Parameter estimation in a nonlinear dynamic model of an aquatic ecosystem with meta-heuristic optimization
US20070179917A1 (en) Intelligent design optimization method and system
CN104657626A (zh) 一种利用文本数据构建蛋白质相互作用网络的方法
CN112561031A (zh) 基于人工智能的模型搜索方法、装置及电子设备
CN113032902A (zh) 一种基于机器学习优化的高速列车气动头部外形设计方法
CN108460462A (zh) 一种基于区间参数优化的区间神经网络学习方法
CN109657800A (zh) 基于参数噪声的强化学习模型优化方法及装置
Panagant et al. Many‑objective meta-heuristic methods for solving constrained truss optimisation problems: A comparative analysis
KR20200058258A (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
Robati et al. Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
CN117146954A (zh) 一种基于改进woa-bp神经网络的称重补偿方法及装置
CN109886405A (zh) 一种抑制噪声的基于人工神经网络结构优化方法
CN113095466A (zh) 基于元学习模型的可满足性模理论求解器的算法
CN113313322A (zh) Moea/d挤压工艺参数多目标优化方法及装置
Kajornrit A comparative study of optimization methods for improving artificial neural network performance
CN113284620B (zh) 一种职业健康数据分析模型的建立方法
CN112837739B (zh) 基于自编码器与蒙特卡洛树的层次化特征系统发育模型
Smith et al. Recurrent neural network ensembles for convergence prediction in surrogate-assisted evolutionary optimization
Wieland et al. Combining expert knowledge with machine learning on the basis of fuzzy training
JP3421552B2 (ja) ルックアップテーブル設計方法及び記録媒体
CN117784615B (zh) 一种基于impa-rf的火控系统故障预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination