基于聚类-二叉树支持向量机的砂土液化预测模型

刘勇健

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于聚类-二叉树支持向量机的砂土液化预测模型

基础理论与实验研究 | 更新时间：2026-06-25

- 基于聚类-二叉树支持向量机的砂土液化预测模型
- Support vector machine model for predicting sand liquefaction based on clustering binary tree algorithm
- 岩土力学 2008年29卷第10期
- 作者机构：
  
  广东工业大学,广州,510006
- 作者简介：
- 基金信息：
- DOI：
  中图分类号： TB115
- 网络首发：2013-08-03，
  
  纸质出版：2008
- 稿件说明：
移动端阅览
刘勇健. 基于聚类-二叉树支持向量机的砂土液化预测模型[J]. 岩土力学, 2008,29(10).

LIU Yong-jian. Support vector machine model for predicting sand liquefaction based on clustering binary tree algorithm[J]. 2008, 29(10).
刘勇健. 基于聚类-二叉树支持向量机的砂土液化预测模型[J]. 岩土力学, 2008,29(10). DOI：

LIU Yong-jian. Support vector machine model for predicting sand liquefaction based on clustering binary tree algorithm[J]. 2008, 29(10). DOI：

摘要

建立在统计学习理论基础之上的支持向量机（SVM），是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题，而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素，采用聚类分析中的类距离思想，建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习，建立砂土液化与各影响因素之间的非线性关系。研究结果表明，基于聚类-二叉树支持向量机的层次结构合理，分类精度高，泛化性好，可对砂土液化等级进行较准确判别

Abstract

Support vector machine (SVM) is a novel and powerful learning method which is derived based on statistical learning theory (SLT) and the structural risk minimization principle. Traditional SVM only deals with the binary classification problems

however

there are large numbers of multi-classification problems in practical engineering. With a view to the main factors with important influence on sand liquefaction

multi-class support vector machines model based on clustering-binary tree is established. The nonlinear relationship between sand liquefaction and influencing factors is obtained from the finite empirical data by SVM. The results indicate that the structure of model base on SVM is reasonable; this algorithm is feasible; and it can predict the sand liquefaction more accurately．

关键词

Keywords

references

浏览量

1365

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

砂土液化流动变形的简化方法

隧道水平冻结施工引起地表冻胀的历时预测模型

某砂土液化大变形本构模型参数的敏感性分析

砂土液化预测的Fisher判别模型及应用

基于逐步判别分析的砂土液化预测研究