為了提升重力壩變形監(jiān)測(cè)模型精度,文章采用極限學(xué)習(xí)機(jī)(ELM)、基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)、基于模擬退火遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GASA-BP)三種機(jī)器學(xué)習(xí)方法對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)重構(gòu)的周期項(xiàng)進(jìn)行訓(xùn)練和預(yù)測(cè),并與傳統(tǒng)的最小二乘法進(jìn)行對(duì)比分析。結(jié)果表明,機(jī)器學(xué)習(xí)算法可以有效提升模型的擬合及預(yù)測(cè)精度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 EMD重構(gòu)周期順河向位移ELM擬合

經(jīng)試驗(yàn)，變量進(jìn)行最值化歸一的區(qū)間設(shè)置為[0,1]，極限學(xué)習(xí)機(jī)ELM的激活函數(shù)設(shè)置為Sigmoid函數(shù)，隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)量L設(shè)置為10，可以獲得較好的訓(xùn)練和預(yù)測(cè)效果。訓(xùn)練產(chǎn)生的輸入層神經(jīng)元與隱含層神經(jīng)元間的連接權(quán)重、隱藏層神經(jīng)元的閾值和隱藏層與輸出層的連接權(quán)重見表1,ELM算法訓(xùn)....

圖2 EMD重構(gòu)周期順河向位移ELM預(yù)測(cè)

圖1EMD重構(gòu)周期順河向位移ELM擬合圖3基于EMD與ELM的LA9順河向位移監(jiān)測(cè)模型

圖3 基于EMD與ELM的LA9順河向位移監(jiān)測(cè)模型

圖2EMD重構(gòu)周期順河向位移ELM預(yù)測(cè)圖4EMD重構(gòu)周期順河向位移SVM擬合

圖4 EMD重構(gòu)周期順河向位移SVM擬合

圖3基于EMD與ELM的LA9順河向位移監(jiān)測(cè)模型圖5EMD重構(gòu)周期順河向位移SVM預(yù)測(cè)

本文編號(hào)：4050371