郝长春

（安徽省水利水电勘测设计院，安徽 蚌埠233000）

为了有效保障水库大坝的安全运行和掌握大坝的运行状态，目前大多使用自动化和智能化程度较高的测量机器人对大坝进行实时连续的精密观测。测量机器人测角精度达±0.5″，测边精度达±（1mm＋1ppm×D）［1］，为后续大坝的变形分析提供了高精度的三维坐标。

大坝在运行过程中受到的影响因素主要有水位、温度、时效及日照等，这些因素具有很强的模糊性、离散性、随机性等特点［2］，而且各种影响因素之间的关系多为非线性的，很难用一种确定的模型实时逼真地反映大坝的变形状态。目前，用于大坝变形分析的方法主要有BP神经网络模型、统计回归模型等智能算法［3］，而本文探索使用SVM支持向量机技术建立实时分析大坝变形的预测模型。通过对相同的变形监测数据进行对比分析发现SVM支持向量机模型比BP神经网络模型、线性回归模型等在解决非线性、高维空间、小样本及局部极小值等方面有更多的优势。

1 支持向量机理论

1.1 统计学习的VC维理论和支持向量机

早期多采用经验风险最小化理论，即ERM准则来解决模型的逼近问题，但由于ERM准则是根据经验直观的、想当然的做法，所以缺乏必要的理论基础。VC维理论是统计学习理论用来衡量函数集性能的重要指标，在某种程度上能反映函数集的学习能力，对学习机器泛化性能有直接的影响，如VC维越大，则学习机器的容量就越大，其本身的结构就越复杂。

机器学习想要达到的真正目的是使经验风险和VC维都尽可能的小，以取得较小的真实风险，即对后期的输入数据有更好的推广性［4］。……