本文關(guān)鍵詞： ELM 隱層神經(jīng)元 激勵函數(shù) 滑坡變形　出處：《人民長江》2017年07期 　論文類型：期刊論文

【摘要】：針對采用經(jīng)典智能算法進(jìn)行滑坡變形預(yù)測時存在學(xué)習(xí)速度慢、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)選取復(fù)雜等問題,構(gòu)建了基于新型智能算法ELM(Extreme Learning Machine)的滑坡位移預(yù)測模型,采用二值區(qū)間搜索算法選定最佳隱層神經(jīng)元個數(shù)和激勵函數(shù),并融入數(shù)據(jù)滾動建模思想,以期提高網(wǎng)絡(luò)泛化能力和預(yù)測精度。以鏈子崖、古樹屋兩滑坡體為例,將ELM與經(jīng)典智能算法LMBP、RBF的預(yù)測效果進(jìn)行對比,算例結(jié)果表明:ELM算法具有較高的預(yù)測精度,且在網(wǎng)絡(luò)學(xué)習(xí)速度等方面優(yōu)勢明顯。
[Abstract]:In order to solve the problems of slow learning speed and complex selection of network parameters in landslide deformation prediction using classical intelligent algorithm. A landslide displacement prediction model based on a new intelligent algorithm, ELM(Extreme Learning Machine, is constructed. The binary interval search algorithm is used to select the optimal number of hidden layer neurons and the excitation function, and to incorporate the idea of data rolling modeling to improve the generalization ability and prediction accuracy of the network. The prediction results of ELM and classical intelligent algorithm LMBPU RBF are compared. The results show that the ELM algorithm has higher prediction accuracy and has obvious advantages in network learning speed and so on.
【作者單位】： 河南城建學(xué)院測繪與城市空間信息學(xué)院;東華理工大學(xué)江西省數(shù)字國土重點實驗室;
【基金】：國家自然科學(xué)基金項目(51474217) 江西省數(shù)字國土重點實驗室開放研究基金項目(DLLJ201508) 礦山空間信息技術(shù)國家測繪地理信息局重點實驗室基金項目(KLM201306) 河南省高等學(xué)校重點科研基金項目(16A420001)
【分類號】：P642.22
【正文快照】： 滑坡是一種具有嚴(yán)重危害的地質(zhì)現(xiàn)象,具有全球分布廣泛、突發(fā)性強(qiáng)、發(fā)生頻率高、危害性大等特點,它的發(fā)生不僅給人類的生命、財產(chǎn)安全帶來嚴(yán)重威脅,同時給資源、生態(tài)、環(huán)境等各方面帶來了巨大破壞[1]。近年來,隨著以GPS為核心手段的滑坡專業(yè)監(jiān)測工程廣泛實施,開展位移預(yù)測已成

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 仲維清;孫健巍;;極限學(xué)習(xí)機(jī)在采空區(qū)自然發(fā)火預(yù)測中的應(yīng)用[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);2016年06期

2 丁華;常琦;楊兆建;劉建成;;基于極限學(xué)習(xí)機(jī)的采煤機(jī)功率預(yù)測算法研究[J];煤炭學(xué)報;2016年03期

3 黃海峰;宋琨;易慶林;易武;張國棟;;滑坡位移預(yù)測的支持向量機(jī)模型參數(shù)選擇研究[J];地下空間與工程學(xué)報;2015年04期

4 DENG ChenWei;HUANG GuangBin;XU Jia;TANG JieXiong;;Extreme learning machines: new trends and applications[J];Science China(Information Sciences);2015年02期

5 楊虎;吳北平;汪利;;混沌序列PSO-RBF耦合模型在滑坡位移預(yù)測中的應(yīng)用[J];科學(xué)技術(shù)與工程;2013年30期

6 高彩云;高寧;;基于時序AR(p)-RBF神經(jīng)網(wǎng)絡(luò)的變形建模與預(yù)測[J];測繪科學(xué);2013年06期

7 李德營;殷坤龍;;基于影響因子的GM(1,1)-BP模型在八字門滑坡變形預(yù)測中的應(yīng)用[J];長江科學(xué)院院報;2013年02期

8 曹洋兵;晏鄂川;謝良甫;;考慮環(huán)境變量作用的滑坡變形動態(tài)灰色-進(jìn)化神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J];巖土力學(xué);2012年03期

相關(guān)博士學(xué)位論文 前1條

1 高彩云;基于智能算法的滑坡位移預(yù)測與危險性評價研究[D];中國礦業(yè)大學(xué)(北京);2016年

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王之瓊;吳承f，

本文編號：1490320