秦志强;于良;

• 1:江西理工大学

摘要(Abstract)：

支持向量机作为统计学习理论的产物,在非线性拟合与预测方面具有很大的优势,本文使用粒子群优化算法与支持向量机相结合的方法对边坡滑移进行预测,结果表明PSO-SVM组合模型在预测精度方面要明显优于BP神经网络。

关键词(KeyWords)： 支持向量机;粒子群优化算法;边坡滑移预测

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 秦志强;于良;

Email:

参考文献(References)：

• [1]张俊,殷坤龙等.基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]岩土力学与工程学报,2015,34(2):1-10.
• [2]谈小龙.基于边坡监测数据的进化支持向量机预测模型研究[J].岩土工程学报,2009,31(5):750-754.
• [3]邓乃扬,田英杰.支持向量机:理论、算法与拓展[M].北京:科学出版社,2009.
• [4]李爱国.多粒子群协同优化算法[J].复旦学报(自然科学版),2004,43(5):923-925.
• [5]李丽,牛奔.粒子群优化算法[M].冶金工业出版社,2009