基于支持向量机的煤矸石混合料强度预测研究.docx

PGE \* MERGEFORMT PGE \* MERGEFORMT 1 基于支持向量机的煤矸石混合料强度预测研究 XX：  1 引言  近年来，国内外众多的学者对煤矸石的研究进行了越来越多的尝试。我国在公路、铁路工程中相继开展了煤矸石的工程应用试验，取得了较好的成绩。但是煤矸石本身的强度并不大，如果将煤矸石掺加一定比例的粉煤灰、生石灰或者少量水泥，配置成能够满足工程使用要求的回填材料，能够提高强度，节约工程成本，而且将煤矸石、粉煤灰这些工业废料变废为宝，经济与社会效益明显。  通过实验的手段来研究煤矸石混合料的性能是多数学者采纳的方法，这种方法非常严谨科学，获得的结果也比较可靠。但是这种方法需要耗费大量的人力、物力和财力，而且还需要耗费时间，因此，能否找到某种智能算法取代部分实验内容，减少对人力、物力、财力和时间的消耗是非常有价值的。  20XX年，辽宁工程技术大学张向东教授利用神经XX络模拟研究了路面基层混合料的性能建立了一个考虑了各因素影响的自适应模型，很好地模拟了路面基层在不同条件下的性能。  20XX年，张向东教授又利用利用煤矸石混合料为原料，采纳均匀设计做成混凝土砌块，对混凝土小型空心砌块强度进行 BP 神经XX络预测。但是,该方法需要大量的训练样本才能保证对未来的新样本得到很好的预测结果,且易陷入局部极值,泛化能力差,影响了其进一步的应用。  2支持向量机预测模型  统计学习理论是由V.N.Vpnik等人在20世纪70年代末提出的一种针对有限样本的统计理论。支持向量机方法(简称SVM)是目前为止该理论最成功的实现。SVM方法建立在统计学习理论的VC维理论和结构风险最小原理的基础上,兼顾训练误差和泛化能力,根据有限的样本信息在模型的复杂性和学习能力之间寻找最佳折衷,在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势。SVM理论目前已经成为机器学习界的热点,已经成功应用于分类和回归问题上。关于回归型支持向量机(简称SVR),它可以按任意精度逼近非线性函数,具有全局极小点和收敛速度快的优点很多领域。本文以支持向量机回归理论为基础煤矸石混合料抗压强度预测模型,将支持向量机应用于煤矸石混合料抗压强度预测的可行性和可靠性,并以实例给予验证。  基于支持向量机的煤矸石混合料预测模型,就是将已有的试验数据为资料作为支持向量机的训练样本,通过调整模型和核函数参数训练并构造最理想预测机器,所谓最理想就是满足一定的精度要求。要预测煤矸石混合料无侧限抗压强度，只要输入只需输入在一定约束条件下的煤矸石混合料中各种原材料的比重，通过训练好的支持向量机进行预测,就可以该种配合比下的最终强度，该模型的煤矸石混合料的研究提供有效的依据。  3 支持向量机实现步骤  根据上述思想与支持向量机回归理论,基于支持向量机的煤矸石混合料无侧限抗压强度预测模型的实现步骤如下:  步骤1建立一套煤矸石混合料无侧限抗压强度的指标体系。本文采纳的指标体系即为掺合料煤矸石、粉煤灰、生石灰和水泥的掺量。  本文案例采纳文献中数据,即: 煤矸石混合料在路面基层中的应用性能研究中的历史数据。  该试验以煤矸石、粉煤灰、生石灰和水为原材料，均匀设计的试验设计方法，设计了15组不同配比方案，首先测定每一组煤矸石混合料的最大干密度和最佳含水率，然后操纵煤矸石混合料试件的压实度为0.96， 做成试块为150mm×150mm的圆柱形试块。制作成型每组配合比下试块的最低数量为13块，所有试块按照规程采纳静压成型法成型，静压成型设备为微机操纵电子万能试验机，成型后按照规程养护条件对试块进行养护6天，试验前浸水养护1天。测定每一块煤矸石混合料试块的无侧限抗压强度，并计算每一组煤矸石混合料试块的无侧限抗压强度平均值。  步骤2通过已经猎取的试验数据作为样本，建立训练样本集,并对样本集数据进行预处理。所得样本数据如下表  表1 煤矸石混合料配合比及强度值  步骤3选择适当的核函数  在支持向量机的实际应用中，它的许多特性是由核函数决定的，我们首先会主观推断问题是否为线性问题或者非线性问题，然后选择核函数。一些学者将核函数的类型两种：一种是全局核函数，另外一种是局部核函数。全局核函数才学习能力弱，但是泛化能力比较强，而局部核函数学习能力比较强但是泛化能力比较弱。常用的核函数有三种：  （1）多项式核函数：  （1）  其中，是多项式的系数  （2）径向基函数：  （2）  其中，为核参数，代表高斯函数的均方差，当宽度系数较小时，径向基函数的拟合性能较好，但过小会造