Sieć liniowa SVM do wyznaczenia przemieszczeń pionowych

W artykule przedstawiono podstawowe zasady budowania i uczenia sieci neuronowych, zwane techniką wektorów podtrzymujących (ang. Support Vector Machine - SVM), wraz z perspektywą aplikacji tego rodzaju sieci. Sieci SVM znajdują zastosowanie głównie w rozwiązywaniu zadań klasyfikacji danych liniowo separowalnych i liniowo nieseparowalnych oraz zadań regresji. W podjętej pracy sieci SVM wykorzystano do klasyfikacji danych separowalnych liniowo, w celu sformułowania modelu przemieszczeń punktów reprezentujących monitorowany obiekt. Zagadnienie uczenia sieci wymaga implementacji programowania kwadratowego w poszukiwaniu punktu optymalnego funkcji Lagrange’a względem optymalizowanych parametrów. Estymowane parametry decydują o położeniu hiperpłaszczyzny maksymalizującej margines separacji obu klas.

---

The article presents an approach for constructing and teaching networks called the SVM (Support Vector Machine) technique. The SVM network is used for classifying linearly separable and linearly inseparable data, and the problem of regression. In this paper the SVM technique is used for classifying linearly separable data in the form of vertical displacements of points in a measurement-control geodetic network set up on a building situated on expansive soil.