朱明远，吴 艳，阮新民，周富强，美丽古丽

(1.新疆水利水电科学研究院，新疆 乌鲁木齐 830049；2.新疆额尔齐斯河流域开发工程建设管理局，新疆 乌鲁木齐 830000)

0 引 言

变形是坝体在外部荷载和内部材料耦合作用下能够最直观反映大坝运行性态的指标之一[1]，通过对其原型观测资料建立监控模型，不仅可以及时掌握大坝在运行中面临的问题，同时对诠释坝体结构性态与环境量之间的非线性关系以及研判大坝健康服役状态也具有一定的现实意义[2]。

目前大坝变形监控模型主要分为统计模型、确定性模型以及混合模型3类[3]。其中统计模型凭借简单高效、效应量可分离等优点在大坝安全监测领域取得了长足的发展，但实际情况中，影响大坝安全的因素较为复杂，基于统计学方法的数学模型普遍存在拟合精度不高、处理非线性问题效果欠佳等缺点。

近年来，随着计算机技术的发展，以神经网络、支持向量机(SVM)为代表的一系列智能算法逐渐被应用于大坝安全预报预警工作中来。支持向量机是Cortes和Vapnik于1995年提出的一种智能算法，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势[4]，之后逐渐应用到函数拟合等其他机器学习问题中。高永刚等[5]将SVM算法应用于大坝变形数据的处理中，论证了该算法在变形监测中应用的可行性与有效性，但模型参数的选取通过试算确定，过程较为繁琐；宋志宇等[6]将最小二乘法引入SVM模型中，并对大坝变形进行了预测，模型具有较高的精度，但算法过于依赖训练样本[7]，稳定性有所欠缺；……