|
2)支持向量机具有完备的理论基础和严格的理论体系,SVM算法最终转化为二次寻优问题。从理论上说,得到的将是全局最优解,有效避免了神经网络易陷入的局部极值问题。同时通过非线性变换和核函数巧妙解决了高维数问题,使得其算法复杂度与样本维数无关,加速了训练学习速度。另外,它能根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,保证其有较好的泛化性能。
3)支持向量机的核函数参数以及惩罚参数C的选择,将直接影响到支持向量机的学习效率和推广能力。但支持向量机算法并没有给出易实现的选择内积核函数参数的一般办法。本文通过对核函数参数和惩罚参数C的测试,可以得到较合适的参数值。
4)无论是SVM方法还是BP神经网络方法都属于参数预报方法,其预测精度在很大程度上依赖于预测模型的输入和输出参数的代表性。基坑围护结构最大变形的支持向量机预测模型的可靠性和准确性,依赖对其各种影响因素的准确分析。
参考文献
[1]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,(1):32-42.
[2]SteveGunn.SupportVectorMachinesforClassificationandRegression[R].ISISTechnicalReport,1998,5.
[3]SchlkopfB,SmolaA.ATutorialonSupportVecdorRegression[R].NeuroCOLT2TechnicalReportSeriesNC2-TR-1998-030,1998,10.
[4]刘建航,侯学渊.基坑工程手册[M].北京:中国建筑工业出版社,1997.
[5]龚晓南,高有潮.深基坑工程设计施工手册[M].北京:中国建筑工业出版社,1998.
[6]华瑞平.神经网络在深基坑支护变形预测中的应用[J].解放军理工大学学报,2001,(5):67-70. 上一页 [1] [2] [3]
|
