一種新的特征選擇方法及其在路面使用性能分析中的應(yīng)用.pdf

1、在高速公路管理信息系統(tǒng)中存有豐富的普查檢測(cè)數(shù)據(jù)，這些普查數(shù)據(jù)可用于路面使用性能的綜合評(píng)價(jià)，也可用于預(yù)測(cè)路面使用性能。實(shí)質(zhì)上，這是對(duì)普查數(shù)據(jù)進(jìn)行回歸分析，這種回歸分析需要滿足以下要求：1、首先為保證評(píng)價(jià)和預(yù)測(cè)的精度，模型要具有非線性；2、受數(shù)據(jù)資料的制約，模型能夠適用于處理小樣本數(shù)據(jù)集：3、能夠避免數(shù)據(jù)中噪音的影響；4、回歸模型可以表達(dá)成簡(jiǎn)單易理解的顯式，便于進(jìn)行成因分析。這樣的回歸模型可以為公路養(yǎng)護(hù)的科學(xué)決策提供依據(jù)。
　　 用

2、現(xiàn)有的回歸方法在對(duì)上述的回歸問(wèn)題進(jìn)行分析時(shí)，往往效果不好。比如支持向量回歸機(jī)，在用規(guī)模很小的樣本數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，得到的回歸函數(shù)精度低，階數(shù)失真。并且回歸函數(shù)過(guò)于復(fù)雜，不能很好的體現(xiàn)輸入與輸出之間關(guān)系。如用神經(jīng)網(wǎng)絡(luò)回歸，會(huì)產(chǎn)生過(guò)學(xué)習(xí)問(wèn)題，不能得到回歸函數(shù)，不能反映輸入與輸出之間關(guān)系。針對(duì)這些問(wèn)題，本論文提出兩種新的特征選擇方法，將新方法應(yīng)用于公路管理信息系統(tǒng)中的普查檢測(cè)數(shù)據(jù)，可以得到新的路面使用性能綜合評(píng)定方法，和新的路面使用性能預(yù)測(cè)方

3、法。
　　 本論文的創(chuàng)新性工作主要體現(xiàn)在以下幾點(diǎn)：
　　 (1)提出了一種基于矩陣相似性度量、遺傳算法和支持向量機(jī)的特征選擇方法。該方法使用矩陣相似性度量方法選擇非線性空間，再通過(guò)遺傳算法從非線性空間中選擇特征，最后用線性支持向量機(jī)得到簡(jiǎn)明的回歸函數(shù)或決策函數(shù)。實(shí)驗(yàn)證明在樣本規(guī)模很小的情況下，該方法比其他方法回歸精度要高。該方法所得的回歸函數(shù)簡(jiǎn)單明了，便于進(jìn)行成因分析，可以直觀地建立起輸入與輸出之間的聯(lián)系。同時(shí)在理論上闡

4、明了矩陣相似性度量方法是一種有效控制VC維的方法。
　　 (2)提出了一種適用性更強(qiáng)的基于混合核函數(shù)、矩陣相似性度量和核主成分分析的序列極小化方法。進(jìn)行核主成分分析時(shí)，使用的是混合核函數(shù)，其權(quán)值和形式參數(shù)是通過(guò)遺傳算法，以矩陣相似性度量作為適應(yīng)度，經(jīng)過(guò)優(yōu)化求得的，這樣可以盡可能的控制核函數(shù)的復(fù)雜程度。使用序列極小化方法，可以對(duì)主成分做進(jìn)一步的判別和選擇，降低輸入空間的維數(shù)，同時(shí)由于是線性的支持向量回歸，不會(huì)增加學(xué)習(xí)機(jī)的VC維。經(jīng)

5、過(guò)驗(yàn)證該方法精度高于以往的類似方法。
　　 (3)將基于矩陣相似性度量、遺傳算法和支持向量機(jī)的特征選擇方法應(yīng)用于路面使用性能的綜合評(píng)價(jià)，可以克服樣本數(shù)據(jù)規(guī)模過(guò)小的困難，將路面諸多損壞形式與路面使用性能之間的關(guān)系表達(dá)成簡(jiǎn)單易理解的多項(xiàng)式形式，便于進(jìn)行綜合評(píng)價(jià)組成分析。
　　 (4)將基于矩陣相似性度量、遺傳算法和支持向量機(jī)的特征選擇方法應(yīng)用于路面使用性能衰變的預(yù)測(cè)。該方法可以克服路面養(yǎng)護(hù)信息系統(tǒng)中數(shù)據(jù)不完整的困難，將影響路