針對(duì)使用傳統(tǒng)極限學(xué)習(xí)機(jī)實(shí)現(xiàn)大壩變形預(yù)測中,因影響因子復(fù)雜導(dǎo)致隱藏層個(gè)數(shù)難以確定的問題,該文提出一種基于極限學(xué)習(xí)機(jī)與彈性網(wǎng)絡(luò)支持下的大壩變形預(yù)測模型。采用極限學(xué)習(xí)機(jī)算法,將大壩變形影響因子由原本的空間映射到極限學(xué)習(xí)機(jī)的特征空間,建立影響因子與變形結(jié)果之間的非線性聯(lián)系,同時(shí)將非線性模型轉(zhuǎn)換成一個(gè)線性模式求解問題,并使用彈性網(wǎng)絡(luò)求解該模型。對(duì)比基于極限學(xué)習(xí)機(jī)回歸與最小二乘回歸算法的實(shí)驗(yàn)表明:彈性網(wǎng)絡(luò)擁有更好的穩(wěn)定性,改善了極限學(xué)習(xí)機(jī)難以處理的過擬合現(xiàn)象,減弱了因訓(xùn)練集樣本不同造成的預(yù)測誤差大的影響,只需任意設(shè)置足夠數(shù)量的隱含層神經(jīng)元個(gè)數(shù)就能得到可靠的預(yù)測結(jié)果,簡化了基于極限學(xué)習(xí)機(jī)的大壩變形預(yù)測面臨的隱含層神經(jīng)元個(gè)數(shù)取舍問題。 

【文章來源】：測繪科學(xué). 2020,45(11)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

ELM網(wǎng)絡(luò)結(jié)構(gòu)圖

min | Ηβ-Τ |+1000β 3 2 +1000β 4 2 (11)如此在目標(biāo)函數(shù)最小化時(shí),由于添加1 000β 3 2 和1 000β 4 2 這樣的大數(shù)字,導(dǎo)致β3和β4的結(jié)果值會(huì)特別小。在現(xiàn)實(shí)情況中,往往很難斷定特征變量是否需要正則化,所以一般對(duì)所有參數(shù)均進(jìn)行正則化處理,此時(shí)可得目標(biāo)函數(shù),見式(12)。

由式(15)可知,當(dāng)α=0時(shí),Elastic Net等價(jià)于L2正則;當(dāng)α=1時(shí),Elastic Net等價(jià)于L1正則;α∈(0,1)時(shí),Elastic Net融合兩種正則化的特點(diǎn),據(jù)此得到3種正則化的二維圖像描述,如圖3所示。3 大壩變形預(yù)測模型

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)粒子群優(yōu)化算法和極限學(xué)習(xí)機(jī)的混凝土壩變形預(yù)測[J]. 李明軍,王均星,王亞洲.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2019(11)
[2]彈性網(wǎng)絡(luò)核極限學(xué)習(xí)機(jī)的多標(biāo)記學(xué)習(xí)算法[J]. 王一賓,裴根生,程玉勝.  智能系統(tǒng)學(xué)報(bào). 2019(04)
[3]基于ARIMA模型的大壩安全監(jiān)測數(shù)據(jù)分析與預(yù)測[J]. 解建倉,王玥,雷社平,李想,呂正祥.  人民黃河. 2018(10)
[4]改進(jìn)的SVR在大壩邊坡位移預(yù)測中的應(yīng)用[J]. 劉小生,于良.  測繪通報(bào). 2018(06)
[5]基于灰色遺傳BP神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測[J]. 盧獻(xiàn)健,劉海鋒,蔣園園,梁月吉.  桂林理工大學(xué)學(xué)報(bào). 2017(04)
[6]重力壩撓度多測點(diǎn)空間模型研究[J]. 安慧琳,李艷玲,曾貝佳,鐘為.  水電能源科學(xué). 2016(11)
[7]變長增量型極限學(xué)習(xí)機(jī)及其泛化性能研究[J]. 王詩琦,趙書敏,耿江東,楊非,蔣忠進(jìn).  計(jì)算機(jī)應(yīng)用研究. 2016(12)
[8]基于經(jīng)驗(yàn)?zāi)B(tài)分解和遺傳支持向量機(jī)的多尺度大壩變形預(yù)測[J]. 張豪,許四法.  巖石力學(xué)與工程學(xué)報(bào). 2011(S2)
[9]基于小波變換和支持向量機(jī)的大壩變形預(yù)測[J]. 王新洲,范千,許承權(quán),李昭.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2008(05)



本文編號(hào)：3123467