利用svm 模型對7 個測試樣本的壓縮係數進行了預測，其預測結果與實測值的對比。為了說明svm 模型較傳統人工神經網路方法的優越性，本文將svm 預測結果和人工神經網路結果做了對比，結果。
通過本例可以看出利用svm 模型進行岩石力學性態的預測時具有以下特點：
（1）、影響岩石力學性態的各種因素，只要有相應的數據，都能作為變數輸入到svm，因素的數量多少不受限制。故svm 能較全面的考慮岩石力學性態和各影響因素之間的關係。
（2）、預測結果離散性較小，預測精度較人工神經網路有了大幅度提高。從7 個測試樣本的21 個預測結果可以看出，相對誤差小於10%的樣本比例svm 為43%，人工神經網路為38%，相對誤差小於30%樣本比例svm 為91%，人工神經網路為86%。從圖1 亦可見，對於大部分樣本，svm 的預測結果較ann 高。
（3）、採用智慧型學習方法預測岩石的力學性態都需要有一定數量的試驗結果作為學習樣本。而試驗結果的獲取通常需要大量的人力和物力投入。在有限的學習樣本情況下，基於小樣本的svm 預測精度是人工神經網路難以企及的。
3 結 論
由於岩石力學性態錯綜複雜，傳統的固體力學方法還難以圓滿地處理岩石力學問題。因此，充分利用有限的試驗結果，通過對試驗結果進行學習和分析，尋求岩石力學性態與各種影響因素之間的非線性關係非常重要。利用支持向量機良好的的推廣能力和非線性動態數據處理能力，較好的彌補了人工神經網路的缺陷，以有限的試驗結果作為學習預測的基礎，對岩石力學性態分析具有很好的適應性，為分析和解決岩石力學性態問題提供了一條新的途徑。