The SVM method as an instrument for the classification of vertical displacements

Maria Mrówczyńska

Abstract


The article presents the basic rules for constructing and training neural networks called the Support Vector Machine method as well as possible applications for this kind of network. SVM networks are mainly used for solving tasks of classifying linearly and non-linearly separable data and regression. However, in recent years more applications have been found for them. The networks also solve such problems as the recognition of signals and images as well as speech identification.

In this paper, non-linear SVM networks have been used for classifying linearly separable and non-separable data with a view to formulating a model of displacements of points in a measurement-control network. The points of the measurement-control network were placed on a civil engineering object located on expansive soil (linearly separable data) and represented a mining exploitation area (linearly non-separable data). The task of training SVM networks requires the use of quadratic programming in search of an optimum point of the Lagrangian function in relation to the parameters being optimised. In the case of linearly non-separable data, the SVM method makes it possible to find a hyperplane which classifies objects as correctly as possible, and at the same time is located possibly far away from concentrations typical of each class.


Keywords


neural networks; classification; vertical displacements

Full Text:

pdf

References


Bishop C. M. (2006). Pattern Recognition and Machine Learningupport. Springer.

Cover T. (1965). Geometrical and statistical propertirs of system sof linear inequalities with applications in pattern recoqnition. IEEE Trans. Electronic Computers, vol. 14.

Gil J. (1995). Badanie nieliniowego geodezyjnego modelu przemieszczeń (na przykładzie obciążonego podłoża gruntowego). Wydawnictwo Wyższej Szkoły Inżynierskiej w Zielonej Górze. Zielona Góra.

Gunn S. M. (1998). Support Vector Machines for Classification or Regression. Technical Report.

Haykin S. (1994). Neural networks, a comprehensive foundation. Macmillan College Publishing Company. New York.

Kuligowski J. L. (1986). Zarys teorii grafów. Wydawnictwo PWN. Warszawa.

Markiewicz A. (2003). Halotektoniczne uwarunkowania sedymentacji i deformacji osadów kenozoicznych w południowej części Monokliny Przedsudeckiej (SW Polska). Oficyna Wydawnicza Uniwersytetu Zielonogórskiego. Zielona Góra.

Mrówczyńska M. (2014a). Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji przemieszczeń pionowych na obszarze LGOM. Zeszyty Naukowe SIGMiE PAN. Kraków.

Mrówczyńska M. (2014b). Sieć liniowa SVM do wyznaczenia przemieszczeń pionowych. Przegląd Geodezyjny 3/2014b. Warszawa.

Mrówczyńska M. (2015). Studium nad doborem metod inteligencji numerycznej do rozwiązywania problemów z geodezji inżynieryjnej. Oficyna Wydawnicza Uniwersytetu Zielonogórskiego. Zielona Góra.

Osowski S. (2006). Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej. Warszawa.

Prószyński W., Kwaśniak M. (2006). Podstawy geodezyjnego wyznaczenia przemieszczeń. Pojęcia i elementy metodyki. Oficyna Wydawnicza Politechniki Warszawskiej. Warszawa.

Vapnik V. (1998). Statistical learning theory. Wiley, New York.

Zanni L., Serafini T., Zanghirati. G. (2006). Parallel Software for Training Large Scale Support Vector Machines on Multiprocessor Systems. Journal of Machine Learning Research 7, 1467-1492.




DOI: http://dx.doi.org/10.2478/rgg-2015-0002

Refbacks

  • There are currently no refbacks.


Copyright © Reports on Geodesy and Geoinformatics 2014-2018, e-mail: reports.geodesy@gmail.com
eISSN: 2391-8152