本文關(guān)鍵詞：WA聯(lián)合ELM與OS-ELM的滑坡位移預(yù)測模型

  更多相關(guān)文章： 滑坡累積位移 非線性特性 位移預(yù)測 小波函數(shù) ELM OS-ELM

【摘要】：滑坡累積位移監(jiān)測曲線往往呈現(xiàn)出復(fù)雜的非線性增長特性,對此建立了不少相關(guān)的預(yù)測模型,而以往的預(yù)測模型存在著許多不足。本文基于小波函數(shù)(Wavelet Analysis,WA),ELM與OS-ELM,提出一種名為WA聯(lián)合ELM、OS-ELM的預(yù)測方法。首先,該方法基于小波函數(shù),將滑坡累積位移分解成受內(nèi)部地質(zhì)條件影響的趨勢項和受外部影響因子影響的周期項;然后,基于ELM與OS-ELM分別對趨勢項和周期項進行預(yù)測;最后將趨勢項和周期項的預(yù)測值疊加得到累積位移的預(yù)測值。結(jié)果表明,小波函數(shù)得到的趨勢項展現(xiàn)出良好的趨勢性,而周期項也展現(xiàn)出良好的周期性;以Sigmoid方程為核函數(shù),隱含層神經(jīng)元個數(shù)為33的ELM模型能準確高效對趨勢項進行預(yù)測,而以RBF方程為核函數(shù),隱含層神經(jīng)元個數(shù)為100的OS-ELM模型能準確高效對周期項進行預(yù)測;累積位移預(yù)測數(shù)據(jù)的RMSE分別為0.1423和0.1315,預(yù)測結(jié)果相對較好,能夠在滑坡位移預(yù)測領(lǐng)域發(fā)揮一定的作用。
【作者單位】： 地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護國家重點實驗室(成都理工大學(xué));愛荷華大學(xué)智能系統(tǒng)研究實驗室;
【關(guān)鍵詞】： 滑坡累積位移 非線性特性 位移預(yù)測 小波函數(shù) ELM OS-ELM
【基金】：國家重點基礎(chǔ)研究發(fā)展計劃(973)項目(2013CB733200) 國家創(chuàng)新研究群體科學(xué)基金(41521002)資助
【分類號】：P642.22
【正文快照】： (2愛荷華大學(xué)智能系統(tǒng)研究實驗室,美國愛荷華州愛荷華城52242)0引言滑坡是一種常見且危害較大的地質(zhì)災(zāi)害,現(xiàn)在已經(jīng)成為一類關(guān)注度極高的環(huán)境地質(zhì)問題。滑坡的發(fā)生往往造成公路、供水供電設(shè)施、民居、農(nóng)渠農(nóng)田與經(jīng)濟林被毀,招致大面積交通堵塞、停水停電,居民家園被毀,甚至多人，

本文編號：1062804