混凝土中锚杆锚固强度的SVM回归模型.pdf

第 3 2卷 第 1期 2 0 1 5年 1月 长江科学院院报 J o u r n a l o f Ya n g t z e R i v e r S c i e n t i fi c Re s e a r c h I n s t i t u t e Vo 1 32 No 1 J a n 2 0 1 5 D OI ： 1 0 3 9 6 9 j i s s n 1 0 0 1 5 4 8 5 2 0 1 5 0 1 0 2 4 2 0 1 5 ， 3 2 ( 0 1 ) ： 1 1 71 2 0 ， 1 3 0 混凝土中锚杆锚固强度的 S V M回归模型 雷进生 。 陈建飞 ， 王乾峰 ， 彭刚 。 曾有为 ( 1 三峡大学 土木与建筑学院， 湖北 宜昌4 4 3 0 0 2 ； 2 福州大学 阳光学院， 福州3 5 0 0 0 0 ) 摘要： 锚杆锚固强度是评价锚杆锚固质量的主要因素之一， 而混凝土中锚杆锚固强度受多因素影响， 各因素间也 具有复杂的关联。应用支持向量机回归原理， 以混凝土龄期、 锚杆直径和锚固长度 3个因素作为输入列向量构建 样本集， 选用径向基核函数建立混凝土中锚杆锚固强度的支持向量机 回归预测模型。利用 3 0组锚固强度实验数 据中2 3的数据作为训练样本， 剩余 1 3的数据作为预测样本 ， 对锚固强度进行回归预测 ， 将预测结果与试验结果 和 B P网络计算结果进行对比分析。研究结果表明： 此模型预测精度高， 具有良好的泛化能力， 预测结果具有可信 性， 将 S V M方法运用于混凝土中锚杆锚固强度的预测是合理有效的， 为锚固强度的预测提供了一条新的途径。 关键词 ： 混凝土； 锚杆 ； 锚固强度； 支持向量机； 回归模型 中图分类号： T V 3 3 2 3 文献标志码： A 文章编号： 1 0 0 1 5 4 8 5 ( 2 0 1 5 ) 0 1 0 1 1 7 0 4 1 研究背景 锚 杆作为岩土工程 的支护结构 已得 到广泛应 用 ， 钢锚杆具有成本低廉 、 施工简便 、 支护及时及能 充分调动 围岩 自承能力 的技术特 点 J 。许 多学 者 也对锚杆对围岩的锚 固作用方面进行 了大量研究 ， 并且形成了一定的理论体系_2 I 4 J 。同时， 混凝土中 锚杆锚固技术的应用领域也 日渐广泛 ， 在井巷与隧 洞支护加 固、 建筑扩建改造 、 设备安装 、 结构抗震加 固、 建筑幕墙施工项 目中， 混凝土中锚杆锚固技术以 其高效 、 灵活 、 经济等优势倍 受青睐 。混凝 土 中 的锚杆， 与普通锚杆的原理是相通的 。但 由于早 龄期混凝土结构是一个混凝土强度和结构外形不断 随时间变化的“ 时变结构” ， 混凝土与锚杆相互作用 时锚杆 的工作性状 ， 是工程 中非常关 心的问题。但 由于锚杆与混凝土相互作用 的复杂性 ， 所涉及 的工 程条件及混凝土特性参数通常是不确定的、 模糊 的， 各影响要素之间可能存在复杂 的非线性关 系， 往往 使得锚 固效应采用传统的方法和确定 的数学模型进 行描述存在困难和不足。近年来随着计算机技术的 进步 ， 机器学习方法逐步广泛应用于工程领域 ， 为混 凝土中锚杆锚固强度的回归预测和锚杆荷载传递机 理研究等提供了有力支持 。 支持 向量 机 ( S V M) 是 一 种新 的机 器学 习方 法 J ， 具有小样本 、 非线性 以及高维模式识 别的特 点。基于 V a p n i k创建 的统计学理论 ， 采用结构风险 最小化准则 ， 在最小化样本误差点的同时 ， 最小化结 构风险， 提供 了模型的泛化能力 ， 且没有数据维数限 制 ， 能适度抑制过拟合 ， 被认为优于人 工神经 网络 ， 并已成功地应用于模式识别 ( 聚类 )、 函数逼近和预 测等方面 。支持向量机方法建模不必知道因 变量和 自变量之间的关 系， 通过对样本 的学习即可 获得因变量和 自变量之间非常复杂的映射关系。早 龄期混凝土中锚杆的锚固强度预测可以看作是锚固 强度与其对应影响因素之问复杂的非线性 函数关系 的逼近问题 ， 本文尝试利用 S V M 回归算法对早龄期 混凝土中锚杆的锚 固强度建立数学模型 ， 并根据此 模型对锚固强度进行预测 。 2 S V M 预测模型 V a p n i k等人对有 限样本 的机器学 习进行 了深 入研究 ， 提出了结构风险最小化( s t r u c t u r a l r i s k mi n i - m i z a t i o n ， S R M) 原则 ， 在最小化样本点误差的同时可 以最小化结构风险， 并在此基础上建立 了通用 的支 持向量机算法， 后又引入不敏感损失函数 占 ， 得到回 归型支持向量机 。其基本思想是从样本数据 收稿 日期 ： 2 0 1 3 0 7 0 4； 修回 日期 ： 2 0 1 31 02 3 基金项目： 国家 自 然科学基金项目( 5 1 2 7 9 0 9 2 ) ； 湖北省自然科学基金项 目( 2 0 1 3 C F B 2 1 8 ) ； 三峡大学科学基金项目( K J 2 0 1 4 B O 0 5 ) ； 三峡大 学培优基金项 目( P Y 2 0 1 3 1 3 ) 作者简介： 雷进生( 1 9 7 0一 ) ， 男， 河北石家庄人， 副教授， 博士， 从事基础工程加固方法与计算理论、 结构安全监测与评估技术研究工作， ( 电话 ) 1 3 8 7 2 6 8 9 1 7 9 ( 电子信箱 ) l e i - j i n s h e n g 1 6 3 c o rn。 1 1 8 长江科学院院报 2 0 1 5年 中寻找一个最优分类 面， 即对 给定 的数据逼近的精 度与逼近函数的复杂性之问寻求折衷 ， 以期获得最 好的泛化能力 ， 如图 1所示 ， 图中 为松弛变量。 图 1 非 线 性 不 敏 感 带 示 意 图 Fj g 1 Di ag r a m o f no nl i ne a r i n s e ns i t i v i t y z o ne 支持向量机回归预测时用惩罚因子 c来判断 回归函数误差的大小 ， C越大表示对训练误差大于 的样本惩罚越大 ， 规定 了回归函数 的误差要求 ， 越小表示 回归 函数的误差越小。定义 为线性不 敏感损失 函数。 y = I )， 一 ) l y - f ( x圳 ) I e 。 ； ( 1 ) 式中 ) 为 回归 函数 返 回预测值 ； Y为对应 的真 实值 。 具体算法如下。 ( 1 ) 设 训练样 本 T= ( ， Y ) ， i =1 ， 2 ， Z ， ( R ) 是第 个训 练样 本 的输入列 向量 ， = ， ， ， ， Y R， 为对应 的输 出量。这里 ， d 为样本个数 ， z 为训练样本个数 ， R为实数。选择合 适的正数 s和 c， 选择适 当的核 函数 K( ， ， )= ( i ) ， ( ) ， 构造并求解最优化问题 。 m ax + 一 寺 鞲 ( ) ( 一 ) ( ， ) ( - l o t ) ( 叫 ) 。( 2 ) r ( O t O d )= 0 ， s t 0 C， ( 3 ) 【 0 ： c 。 ( 2 ) 求 解式 ( 2 ) 得 到最优 解 ： ， ， ， 仅 ， = ， ， ， ， ， 构造决策回归函数为 ， ( )=W ( )+b = ( i O d i ) ( ) ( )+b = ( O ) K( ， )+b 。 ( 4 ) 式 中： 6 。 蓍 。 【 y ( 一 ) K ( 勺 ) 一 】 + 。 y 一 ( 一 ) ( ， )一 】 ； ( 5 ) f W = ( 一 ) ( ) 。 ( 6 ) 式中： n 为支持向量个数； ( ) 为非线性映射 函 数 ； ， b ， 和 为建立 S V M模型待确定 的系数。 ( 3 ) 利用回归函数对测试集进行预测 。记录测 试集 的均方差 E和决定 系数 R ， 具体计算 公式分 别为： E = ( 夕 一 Y i ) ； ( 7 ) 挚 f 一( ) f 一( Xy ) 式中： f 为测试集样本个数 ； Y ( i =1 ， 2 ， ， ) 为第 个样本的真实值 ； ( i =1 ， 2 ， ， z ) 为第 i 个样本预 测值 。 ( 4 ) 根据 和 R 对 已建立的回归模 型进行评 价 。如果性能未达到要求 ， 则通过改变核 函数以及 其他模型参数等方法重新建模 ， 直至性能满足要求。 3 基于 S V M 的锚 固强度预测 3 1 混凝土中锚杆锚 固强度试验 结合混凝土早龄期物理力学特性， 对不同直径和 不同锚固长度 的锚杆在混凝土不同龄期进行拉拔试 验。C 2 5混凝土配合比为水 ： 水泥： 砂： 碎石 = 0 5 ： 1 ： 1 6 5 ： 3 3 4 。 1 8 m m、 d # 2 0 m m和 2 2 m m 3种不 同 直径 锚 杆 预埋 到 试 件 中 ( 锚 固 长 度 为 3 0 0 m m、 1 5 0 i n to) 。待试件成型后 ， 分别于 1 ， 2 ， 3 ， 7及 2 8 d龄 期时进行拉拔试验， 试件均产生混凝土劈裂破坏， 混 凝土与锚杆分离明显。试验结果见表 1 、 表 2 。 锚固体 向混凝 土传递荷载 ， 传递 的机 理 比较复 杂。为了更好地评价锚固长度 、 钢筋直径及龄期对钢 筋在混凝土中的锚固强度的影响， 考虑 U J , 样本多因 素的原因使得锚固强度试验值离散性较大 ， 故采用支 持向量 回归思想， 在试验数据中随机选取 2 0组为训 练样本， 见表 l ； 其余 l O 组为预测样本， 见表 2 ， 运用 Ma t l a b语言编写程序 ， 建立支持向量机回归模型。 3 2产 生训 练集 和测试 集 T = ( ， Y ) ， i = 1 ， 2 ， ， z ， 其中 ( R ) 是 第 个训练样本的影响因素 ， 包括锚固长度 、 锚固直 径和龄期， Y i R为对应的锚固强度试验值。 3 3 创建回归模型 混凝土中锚杆锚 固强度的分析计算 中， 通 过 比 第1期 雷进生 等 混凝土中锚杆锚固强度的S V M回归模型 l 1 9 表 1 训练样本 数据 Ta b l e 1 Tr a i n i n g s a mp l e d a t a 表 2 预 测样本数据 Ta b l e 2 P r e d i c t e d s amp l e d a ta 较发 现 径 向 基 核 函 数 ( R B F) J ( ， )= e x p ( 一ll lI ) 的计算精度最高， 故本研究根 据 R B F核函数 ， 利用交叉验证方法寻找最佳的参数 C 和核函数中方差 g， 并设定不敏感系数 =1 0 ， 根据 公式( 3 ) 实现 S V M回归模型的创建和训练。 3 4仿真 预测 经交叉计 算选 取 最佳 参数 C=3 3 7 7 9 4 0和 g= 0 0 4 1 2 ， 训练集和测试集预测结果如图2 。 S V M训 练 集 中计 算 所 得 E =0 0 1 3 9 ， R = 0 9 4 8 ， 测试集计算所得 E= 0 0 2 3 ， R = 0 9 1 9 ， 预测 结果与真实值十分接近。对比图2 ( b ) 中B P神经网 络 预测所得 ， 有E= 0 1 3 9， R ：0 5 2 5， 其预测结果 与真实值相差较大。 说明在采用相同训练集前提 下 ， S V M预测结果稳定性高于 B P神经网络 ， 对于混 凝土这种离散性较小 的材料来说支持 向量机更适 用 ； 对较小样本进行预测 ， 其性能明显优于 B P神经 网络。图 3是经 S V M 回归预测后 的龄期 一锚 固力 关系曲线。 1 2 0 11 O l O 0 重 9 。0 7 0 景 ： 4O 3 0 2 0 ( b ) 测试集 图 2训练集和测试集预测结果对 比 F i g 2 Co m p a r i s o n o f t r a i nin g s e t r e s u l t s a n d t est s e t r e s ul ts 龄期 ， d ( a ) 锚 固长度为 1 5 0 mm 龄期 ，d ( b ) 锚 固长度为 3 0 0 m iT l 图 3回归预测后龄期 一锚 固力关 系曲线 Fi g 3 Cur ve s of a g e V S a nc ho r i n g f o r c e af t e r r e gr e s s i o n pr e d i c t i o n 4 结论 锚杆在混凝土中兼具受力钢筋的特性， 依靠单纯 的理论分析建立锚固强度预测模型较困难 ； 通过室内 试验获得数据量十分有限， 使得 B P神经网络预测结 踟 加 加 加 1 2 0 长江 科学 院院报 2 O 1 5年 果精度较低。引人人工智能领域 中的支持向量机算 法 ， 对早龄期混凝土中锚杆锚 固强度进行拟合和预 测 ， 建立了以混凝土龄期、 锚固长度、 锚杆直径多因素 影响下的混凝土中锚杆锚固强度预测的 S V M模型。 将此模型预测结果与试验值和 B P网络计算结 果进行对比。研究表明： S V M方法相对 B P神经网络 预测具有较高的精度， 能够较好地模拟混凝土 中锚杆 锚固强度随各种因素的变化趋势， 尤其是锚固强度随 龄期的发展趋势； 建立的S V M模型学习效率高对新 鲜样本的适应能力较强， 预测结果与试验结果吻合较 好 ， 受样本数量影响较小。运用 S V M理论 可以对混 凝土中锚杆锚固强度的控制提供依据 ， 也为锚 固强度 的预测提供了一个科学有效的方法。 S V M模型是根据较少的样本训练得出的， 但是 随着试验数据的不断增加， 可以继续进行学习， 得到 更完善的预测体系 ， 使预测值更接近真实值 ， 从而进 一 步提高预测精度， 并应用于实际工程。支持向量机 方法可不断根据新的数据资料对效应变量进行滚动 预测 ， 这种预测具有实时性和较高的精度。该方法可 用于岩土力学、 结构力学与工程中的各个方面， 可为 工程的设计和施工提供很好的途径。 参考文献： 1 汤雷， 陆士良， 高加胜锚杆拉拔试验的意义 J 矿 山压力与顶板管理， 1 9 9 6 ，( 2 ) ： 6 87 0 ( T A N G L e i ， L U S h i l i a n g ，GAO J i a s h e n g S i g n i fi c a n c e o f B o l t P u l l o u t T e s t J G r o u n d P r e s s u r e a n d S t r a t a C o n t r o l ， 1 9 9 6 ， ( 2 ) ： 6 8 7 0 ( i n C h i n e s e ) ) 2 杨双锁， 张百胜 锚杆对岩土体作用的力学本质 J 岩 土力学， 2 0 0 3 ， 2 4( 增) ： 2 7 9 2 8 2 ( Y A N G S h u a n g s n o ， ZHANG Ba i s h e n g Th e I n f l ue n c e o f Bo l t Ac t i on Fo r c e t o t h e Me c h a n i c a l P r o p e r t y o f R o c k s J R o c k a n d S o i l M e c h a n i c s ， 2 0 0 3 ， 2 4 ( S u p ) ： 2 7 9 2 8 2 ( i n C h i n e s e ) ) 3 康红普， 姜铁明， 高富强预应力在锚杆支护参数的设 计 J 煤炭学报， 2 0 0 8 ， 3 3 ( 7 )： 7 2 17 2 6 ( K A N G Ho n g p u，J I ANG T i e mi n g，G AO F u q i a n g De s i gn f o r P r e t e n s i o n e d R o c k B o l t i n g P a r a m e t e r s J J o u r n a l o f C h i n a C o al S o c i e t y ， 2 0 0 8 ， 3 3 ( 7 )： 7 2 1 - 7 2 6 ( i n C h i n e s e ) ) 4 舒谷生， 彭文祥 ， 何忠明全长粘结式锚杆拉拔试 验的数值实现 J 科技导报， 2 0 0 9 ， 2 7 ( 1 2 ) ： 4 75 0 ( S HU G u s h e n g ， P E N G We n x i a n g ， H E Z h o n g m i n g N u me r i e a l S i mu l a t i o n o f t h e P u l l o u t T e s t o f Wh o l l y G r o u t e d C a b l e J S c i e n c e a n d T e c h n o l o g y R e v i e w ，2 0 0 9 ，2 7 ( 1 2 ) ： 4 7 5 0 ( i n C h i n e s e ) ) 5 谷拴成， 崔希鹏混凝土中锚杆锚固荷载传递特性研 究 J 混凝土， 2 0 1 0 ， ( 1 O ) ： 2 73 0 ( G U S h u a n c h e n g ， CU I Xi p an g C h a r a c t e r i s t i c R e s e arc h o n t h e An c h o r a g e L o a d T r a n s f e r o f B o l t i n C o n c r e t e J C o n c r e t e ，2 0 1 0 ， ( 1 0 ) ： 2 7 3 0 ( i n C h i n e s e ) ) 6 徐波， 吴智敏混凝土中锚杆荷载传递机理的理论 分析 J 哈尔滨工业大学学报 ， 2 0 0 6， 3 8 ( 3 ) ： 4 1 7 41 9 ( XU B o ，WU Z h i rai n An a l y s i s o f L o a d t r a n s f e r M e c h a n i s m o f A n c h o r s i n C o n c r e t e J J o u r n al o f Ha r b i n I n s t i t u t e o f T e c h n o l o gy2 0 0 6 ， 3 8( 3 ) ： 4 1 74 1 9 ( i n C h i n e s e ) ) I 7 I V A P N I K V N T h e N a t u r e o f S t a t i s t i c a l L e a r n i n g T h e o r y ， (S e c o n d E d i t i o n) M N e w Y o r k ： S p ri n g Ve r l a g ，1 9 9 9 8 陈斌， 郭雪莽， 刘国华基于粗糙集( R S) 和支持向 量机(S V M) 的混凝土性能预测实证研究 J 水力发 电学报 ， 2 0 1 1 ， 3 0( 6) ： 2 5 12 5 7 ( C H E N B i n ，G U O Xue ma n g，LI U Guo h ua Pr e d i c t i o n o f Co nc r e t e Pr o p e r t i e s Ba s e d o n Ro u g h Se t s a n d S u p po rt Ve c t o r Ma c hi n e Me t h o d J J o u r n al o f H y d r o e l e c t ri c E n g i n e e r i n g ， 2 0 1 1 ， 3 0 ( 6 ) ： 2 5 1 2 5 7 ( i n C h i n e s e ) ) 9 武换娥 ， 丁圣果 ， 巩玉志， 等支持向量回归机在混凝 土强度预测中的应用研究 J 工业建筑 ， 2 0 0 7， 3 7 ( 增 1 ) ： 9 9 1 9 9 5 ( WU H u a n e ，D I N G S h e n g g u o ，G O N G Yu z h i ，e t a1 Re s e a r c h o n Su p p ort Ve c t o r Ma c hi nes P r e d i c t i o n o f C o n c r e t e S t r e n g t h J I n d u s t r i al C o n s t r u e t i o n ， 2 0 0 7， 3 7 ( S u p 1 ) ： 9 9 1 9 9 5 ( i n C h i n e s e ) ) 1 0 崔海霞高强混凝土强度预测的支持向量机模型及应 用 J 昆凝土， 2 0 1 0 ， ( 5 ) ： 4 95 1 ( C U I Ha i x i a S t r e n g t h P r e d i c t i o n o f H J g h S t r e n g t h Co n c r e t e Us i n g S VM a n d I t s A p p l i c a t i o n J C o n c r e t e ， 2 0 1 0 ， ( 5 ) ： 4 9 5 1 ( i n C h i n e s e ) ) 1 1 朱怡翔， 石广仁火山岩岩性的支持 向量机识别 J 石油 学 报 ， 2 0 1 3 ， 3 4( 2 ) ： 3 1 23 2 2 ( Z H U Y i x i a n g ， SHI Gu a n g r e nI de nt i fic a t i o n o f Li t h o l o g i c a l Ch a r a c t e r i s t i c s o f V o l c a n i c R o c k s b y S u p p o rt V e c t o r Ma c h i n e J Ac t a P e t r o l e i S i n i c a ，2 0 1 3， 3 4( 2)： 3 1 23 2 2 ( i n C h i n e s e ) ) 1 2 冯夏庭， 赵洪波岩爆预测的支持向量机 J 东北大 学学报(自然科学版) ， 2 0 o 2 ， 2 3( I ) ： 5 75 9 ( F E N G Xi a rin g，ZHAO Ho n g b oPr e d i c t i o n o f Ro c k bu r s t Us i n g S u p p o rt Ve c t o r Ma c h i n e 1 J 1 J o u rna l o f N o r t h e a s t e rn Un i v e r s i t y( N a t u r a l S c i e n c e ) ， 2 0 0 2 ， 2 3 ( 1 ) ：5 75 9 ( i n C h i n e s e ) ) 1 3 赵洪波 ， 冯夏庭 非线性位移时间序列预测的进化一 支 持向量机 方法及 应用 J 岩 土工 程学 报， 2 0 0 3 ， 2 5 ( 4 ) ： 4 6 84 7 1 ( Z H A O H o n g b o ，F E N G X i a t i n g S t u d y a nd Ap p l i c a t i o n o f Ge n e t i c S u pp o rt Ve c t o r Ma c h i ne f o r N o n l i n e ar D i s p l a c e me n t T i me S e ri e s F o r e c a s t i n g J C h i n e s e J o u r n a l o f G e o t e c h n i c al E n g i n e e r i n g ， 2 0 0 3， 2 5 ( 4)： 4 6 84 7 1 ( i n C h i n e s e ) ) 1 4 V A P N I K V，L E R N E R AP a t t e r n R e c o g n i t i o n U s i n g Ge n e r a l i z e d P o rt r a i t Me t h o d J Au t o ma t i o n a n d Re mo t e C o n t r o l ，1 9 6 3，( 2 4) ：7 7 47 8 0 1 5 VA P NI K VEs t i ma t i o n o f De p e n d e n c e B a s e d o n E mp i r i c a l D a t a M N e w Y o r k ： S p r i n g e r V e r l a g ，1 9 8 2 1 6 C O R T E S C ，V A P N I K V S u p p o rt V e C t o r N e t w o r k s J Ma c h i n e L e a r n i n g ，1 9 9 5 ，( 2 0 ) ： l一 2 5 1 7 陈永义， 余小鼎， 高学浩处理非线性分类和回归问题 的一种新方法(I ) 支持向量机方法简介 J 应 用气象学报， 2 0 0 4， 1 5 ( 3 ) ： 3 4 5 3 5 4 ( C HE N Y o n g y i ， YU Xi a o d i n g ，GAO X u e h a o A N e w Me t h o d f o r No n l i n e a r C l a s s i f y a n d N o n 1 i n e a r R e g r e s s i o n I：I n t r o d u c t i o n t o S u p p o rt V e c t o r Ma c h i n e J Q u a r t e r l y J o u r n al o f A p p l i e d M e t e o r o l o gy， 2 0 0 4 ，1 5 ( 3 ) ： 3 4 53 5 4 ( i n C h i n e s e ) ) ( 下转第 1 3 0页) 1 3 0 长江科学院院报 2 0 1 5丘 Re s e a r c h Ad v a n c e o f Br o a d b a n d Ve g e t a t i o n I n d e x Us i n g Re mo t e l y S e n s e d I m a g e s L I Z h e ，HU Di e ，ZHAO De n g z h o n g ，XI ANG Da x i a n g ( 1 S p a t i a l I n f o r m a t i o n T e c h n o l o g y A p p l i c a t i o n D e p a r t me n t ， Y a n g t z e R i v e r S c i e n t i f i c R e s e a r c h I n s t i t u t e ， Wu h a n 4 3 0 0 1 0， C h i n a ； 2 N e t w o r k a n d I n f o r ma t i o n C e n t e r ， C h a n g j i a n g Wa t e r R e s o u r c e C o m m i s s i o n ， Wu h a n 4 3 0 0 1 0 ，C h i n a ) Ab s t r a c t ： B r o a d b a n d v e g e t a t i o n i n d e x ，wh i c h e mb o d i e s t h e g r o wt h o f g r e e n v e g e t a t i o n a n d s u r f a c e b i o ma s s ，p l a y s a n i mp o rta n t r o l e i n q u a n t i t a t i v e ma n a g e me n t a n d p r e d i c t i o n o f s u r f a c e r e s o u r c e a n d e n v i r o nme n t Ac c o r di n g t o t he r e mo t e l y s e n s e d s p e c t r al f e a t u r e s o f g r e e n v e g e t a t i o n，we s u mma r i z e s o me t y p i c a l v e g e t a t i o n i n d i c e s a nd d i v i de t h e m i n t o t h r e e c a t e g o ri e s ：s i m p l e b a n d c o m b i n a t i o n a p p r o a c h ，s o i l a d j u s t e d a p p r o a c h a n d a t m o s p h e ri c a d j u s t e d 印- p r o a c h S i mp l e b a n d c o mb i n a t i o n a p p r o a c h i n c l u d e s r a t i o v e g e t a t i o n i n d e x，d i f f e r e n t i a l v e g e t a t i o n i n d e x，a n d n o r m ali z e d d i f f e r e n t i a l v e g e t a t i o n i n d e x ，b u t t h e p h y s i c a l p ri n c i p l e o f t h e m i s s t i l l u n c l e a r S o i l a d j u s t m e n t a p p r o a c h i n c l u d e s p e r p e n d i c u l a r v e g e t a t i o n i n d e x ，s o i l a d j u s t e d v e g e t a t i o n i n d e x ， a n d g l o b al e n v i r o n m e n t mo n i t o ri n g i n d e x ， wh i c h e n h a n c e v e g e t a t i o n i n f o rm a t i o n a nd r e d u c e t h e i n t e r r u pt i o n o f s o i l b a c k gro u n d t h r o u g h t h e i n t r o d u c t i o n o f s o i l a d j u s t e d p a r a m e t e r A t m o s p h e ri c a d j u s t e d a p p r o a c h i n c l u d e s a t m o s p h e r i c r e s i s t a n t v e g e t a t i o n i n d e x ， a n d e n h a n c e d v e g e t a t i o n i n d e x，whi c h e n ha n c e a t mo s ph e ric i n f o r ma t i o n a n d r e d uc e t h e i mp a c t o f a t mo s p he ric a e r o s o l t h r o u g h t h e i n t r o d u c t i o n o f a t m o s p h e r e a d j u s t e d p a r a me t e r F i n a l l y ， t h e d e v e l o p me n t t r e n d s a n d f u t u r e p r o s p e c t s a r e al s o d i s c l 】 s s e d Ke y w o r d s ： b r o a d b a n d ； v e g e t a t i o n i n d e x ； r e m o t e l y s e n s e d s p e c t r al b a n d ； q u a n t i t a t i v e mo d e l ； s o i l - a d j u s t e d ； a t m o s p h e fi c a d j u s t e d ( 上接第 1 2 0页) 1 8 燕孝飞， 葛洪伟， 颜七笙R B F核 S V M及其应用研究 J 计算机工程与设计， 2 0 0 6 ， 2 7 ( 1 1 ) ： 1 9 9 62 0 1 1 ( Y A N 、 X i a o f e i ，G E H o n g w e i ， Y A N Q i s h e n g S V M w i t h RB F K e r n e l a n d I t s A p p l i c a t i o n Re s e a r c h l J Co mp u t e r E n g i n e e r i n g and D e s i g n ，2 0 0 6 ，2 7( 1 1 ) ：1 9 9 62 0 1 1 ( i n C h i n e s e ) 1 9 邓乃扬， 田英杰数据挖掘中的新方法 一支持向量机 M 北京： 科学出版社， 2 0 0 5 ( D E N G N a i y a n g ， T I A N Y i n g - j i e N e w Me t h o d o f D a t a Mi n i n g ： S u p p o r t V e c t o r Ma c h i n e M B e ij i n g ：S c i e n c e P r e s s ， 2 0 0 5 ( i n C h i n e s e ) ) ( 编辑 ： 刘 运飞 ) Re g r e s s i o n M o de l o f Bo l t An c h o r i ng S t r e ng t h i n Co n c r e t e Ba s e d o n S VM L E I J i n s h e n g ，C H E N J i a n f e i 。 ， ， WA N G Q i a n f e n g ， P E N G G a n g ， Z E N G Y o u w e i ( 1 C o l l e g e o f C i v i l E n g i n e e ri n g& A r c h i