支持向量機及其在鐵路工程中的應用研究.pdf

1、支持向量機（SVM）是由Vapnki及其研究小組于1995年在統(tǒng)計學習理論的基礎上提出來的一類新型的機器學習方法，它體現(xiàn)了結構風險最小化的思想和方法，能較好地解決非線性、高維數(shù)、小樣本、局部極小點等實際問題。由于其出色的學習性能，該技術已成為當前國際機器學習界的研究熱點，并在很多領域取得了成功的應用。 鑒于支持向量機具有良好學習性能和潛在應用價值，有望解決數(shù)據(jù)挖掘（DM）中的許多問題，本文嘗試將其應用于鐵路工程領域。主要進行了如

2、下工作： 1．分析總結了目前在運量預測和投資估算中比較常用的一些數(shù)學方法的基本原理并比較了其優(yōu)劣。從簡單的線性SVM到非線性SVM分類情形詳細論述了支持向量機的訓練和決策過程，并對訓練算法做了總結。 2．論述總結了神經(jīng)網(wǎng)絡技術的原理，借助MATLAB語言建立了基于BP神經(jīng)網(wǎng)絡的鐵路客運量預測模型和基于RBF神經(jīng)網(wǎng)絡的鐵路投資估算模型，并用于實例當中。 3．依據(jù)支持向量機原理，利用LIBSVM軟件建立了基于支持向量

3、機的運量預測模型，用于城市鐵路客運量預測，將實驗結果與BP模型取得的結果進行比較，結論表明支持向量機在小樣本情況下，預測精度要優(yōu)于神經(jīng)網(wǎng)絡。 4．投資估算一直是鐵路建設中的熱點問題，用LIBSVM軟件建立支持向量機回歸模型，用于全斷面掘進機掘進鐵路隧道造價估算，同時對比RBF神經(jīng)網(wǎng)絡模型取得的實驗數(shù)據(jù)，結果證實了支持向量機在高維數(shù)樣本情況下的表現(xiàn)要優(yōu)于人工神經(jīng)網(wǎng)絡技術。 結論表明支持向量機在整體性能上優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡方