利用PCA-SVM的大坝变形预测研究The research of dam deformation prediction based on PCA-SVM
吕开云,鲁铁定
摘要(Abstract)：
主成分分析(PCA)能够有效地提取数据的特征信息,消除变量间的共线性,而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显著的优点。本文将主成分分析应用到大坝变形影响因子的优化中,解决了由影响因子内部相关性而引入大量因子的问题,降低了输入维数,简化了输入结构。将简化后的数据作为SVM的输入因子,减少了SVM学习的时间,提高了拟合效率。试验结果表明该方法具有较高的预测精度和较强的泛化能力。
关键词(KeyWords)： 主成分分析;支持向量机;变形预测
基金项目(Foundation): 江西省自然基金(2009GQS0001);; 武汉大学地球空间环境与大地测量教育部重点实验室开放基金(08-01-04)
作者(Author): 吕开云,鲁铁定
DOI: 10.16251/j.cnki.1009-2307.2011.01.058
参考文献(References)：
- [1]普济.数理统计与应用第7讲:相关与回归(2)——相关系数[J].中国质量,2008,(8).
- [2]唐万梅.基于灰色支持向量机的新型预测模型[J].系统工程学报,2006,(4).
- [3]王新洲,范千,许承权,等.基于小波变换和支持向量机的大坝变形预测[J].武汉大学学报(信息科学版),2008,(5).
- [4]农吉夫,金龙.基于MATLAB的主成分RBF神经网络降水预报模型[J].热带气象学报,2008,(6).
- [5]吴翊,李永乐,胡庆军.应用数理统计[M].长沙:国防科技大学出版社,1995:285-297.
- [6]陈永义.支持向量机方法及其在气象中的应用[Z].北京:中国气象局培训中心,2004:6-9.
- [7]胡春梅,陈道劲,于润玲.BP神经网络和支持向量机在紫外线预报中的应用[J].高原气象,2010,29(2).
- [8]Suykens J A K.Nonlinear modeling and support vectormachine[C]//IEEE Instrumentation and MeasurementTechnology Conference Budapest,Hun-gary,May2001:21-23.