您的位置: 专家智库 > >

王澍

作品数:2 被引量:15H指数:1
供职机构:河海大学地球科学与工程学院更多>>
相关领域:建筑科学交通运输工程更多>>

文献类型

  • 2篇中文期刊文章

领域

  • 1篇建筑科学
  • 1篇交通运输工程

主题

  • 2篇边坡
  • 1篇陡边坡
  • 1篇蚁群
  • 1篇蚁群算法
  • 1篇优化支持向量...
  • 1篇支持向量
  • 1篇支持向量机
  • 1篇群算法
  • 1篇向量
  • 1篇向量机
  • 1篇模糊综合评判
  • 1篇高陡边坡
  • 1篇安全性

机构

  • 2篇河海大学

作者

  • 2篇陈志坚
  • 2篇王澍
  • 1篇荀志国
  • 1篇武立军
  • 1篇俞俊平

传媒

  • 1篇长江科学院院...
  • 1篇勘察科学技术

年份

  • 1篇2015
  • 1篇2014
2 条 记 录,以下是 1-2
排序方式:
基于多尺度监测的高陡边坡安全性多因素综合评判研究
2014年
基于先进的传感器感知技术,针对连云港港主体港区东疏港高速公路两侧形成的岩质高陡边坡工程实例,构建了多尺度安全监测系统。并综合考虑边坡安全性的多因素影响,在模糊数学的基础之上建立了高陡边坡的安全性综合评判模型。结果表明该方法可以全面的反映出具有不确定性的各个影响因素对边坡安全性的影响程度,并合理得到边坡安全性等级,对工程决策具有重要的意义。
王澍陈志坚荀志国
关键词:高陡边坡模糊综合评判
基于蚁群算法优化支持向量机的边坡位移预测被引量:15
2015年
由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。
俞俊平陈志坚武立军余世元王澍
关键词:边坡支持向量机蚁群算法
共1页<1>
聚类工具0