高斯過程（Gaussian Process,GP）具有特別嚴(yán)格的數(shù)學(xué)理論基礎(chǔ),對處理高維數(shù)、小樣本和非線性等問題適應(yīng)性好。GP作為一種全新的機(jī)器學(xué)習(xí)方法,在變形監(jiān)測數(shù)據(jù)處理方面的應(yīng)用有待作深入研究分析,如協(xié)方差函數(shù)的選取、監(jiān)測點(diǎn)的相關(guān)性、超參數(shù)的確定等問題,論文就這些作相關(guān)的研究與分析。單輸出高斯過程（Single Output Gaussian Process,SOGP）模型選取不同類型的協(xié)方差函數(shù)進(jìn)行建模,將不同類型協(xié)方差函數(shù)建立的SOGP模型建模結(jié)果與GM（1,1）模型對比分析。通過實(shí)例分析發(fā)現(xiàn)SOGP模型的建模精度更高,驗(yàn)證了SOGP模型的有效性,并反映了神經(jīng)網(wǎng)絡(luò)（Neural Network,NN）協(xié)方差函數(shù)建立的SOGP模型具有良好的擴(kuò)展性。針對SOGP模型通常采用共軛梯度法搜索超參數(shù),存在對初始值依賴性強(qiáng),容易陷入局部最優(yōu)解的缺點(diǎn)。論文利用人工魚群算法對超參數(shù)進(jìn)行智能尋優(yōu),基于人工魚群算法建立了優(yōu)化的SOGP變形體形變預(yù)測模型。通過隧道和基坑兩個(gè)案例對比分析,發(fā)現(xiàn)超參數(shù)優(yōu)化模型的預(yù)測精度提升明顯,表明了SOGP模型本身存在超參數(shù)求解方面的不足。監(jiān)測點(diǎn)的形變并不是孤立的,相... 

【文章來源】：東華理工大學(xué)江西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 組織結(jié)構(gòu)
2 單輸出高斯過程模型
    2.1 單輸出高斯過程模型的基本原理
    2.2 核函數(shù)的選擇
    2.3 超參數(shù)確定
    2.4 實(shí)例分析
        2.4.1 在高邊坡變形監(jiān)測中的應(yīng)用
        2.4.2 在建筑物變形監(jiān)測中的應(yīng)用
        2.4.3 分析總結(jié)
    2.5 本章小結(jié)
3 基于人工魚群算法優(yōu)化單輸出高斯過程模型
    3.1 引言
    3.2 人工魚群算法
    3.3 AFSA-SOGP模型
    3.4 實(shí)例分析
        3.4.1 在隧道變形監(jiān)測的應(yīng)用
        3.4.2 在基坑變形監(jiān)測的應(yīng)用
        3.4.3 分析總結(jié)
    3.5 本章小結(jié)
4 多輸出高斯過程模型
    4.1 多輸出高斯過程模型的基本原理
    4.2 模型參數(shù)的選擇
    4.3 確定端口間的相關(guān)性和精度評價(jià)指標(biāo)
    4.4 實(shí)例分析
        4.4.1 實(shí)例一
        4.4.2 實(shí)例二
        4.4.3 分析總結(jié)
    4.5 本章小結(jié)
5 優(yōu)化的MOGP模型在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用
    5.1 引言
    5.2 PSO-AFSA-MOGP模型
        5.2.1 粒子群算法
        5.2.2 PSO-AFSA混合算法
        5.2.3 PSO-AFSA-MOGP模型的計(jì)算流程
    5.3 實(shí)例分析
        5.3.1 在基坑變形監(jiān)測中的應(yīng)用
        5.3.2 在滑坡變形監(jiān)測中的應(yīng)用
        5.3.3 分析總結(jié)
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間完成成果


【參考文獻(xiàn)】：
期刊論文
[1]基于高斯過程回歸的變形智能預(yù)測模型及應(yīng)用[J]. 王建民,張錦.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(02)
[2]利用人工魚群算法優(yōu)化高斯過程模型及應(yīng)用分析[J]. 邱小夢,周世健,王奉偉,歐陽亮酉.  測繪通報(bào). 2018(01)
[3]顧及鄰近點(diǎn)變形因素的高斯過程建模及預(yù)測[J]. 周昀琦,王奉偉,周世健,羅亦泳,周清.  測繪科學(xué). 2018(04)
[4]改進(jìn)灰色模型在海上交通綜合安全指數(shù)預(yù)測應(yīng)用[J]. 陳昌源,戴冉,馮紀(jì)軍,岳興旺,張杰.  中國航海. 2017(01)
[5]基于粒子群與人工魚群混合算法的TSP求解模型[J]. 彭凱,黃宜慶,邵壽琛.  四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(01)
[6]改進(jìn)多點(diǎn)灰色模型的研究及應(yīng)用分析[J]. 邱小夢,周世健,王奉偉,楊曉東.  大地測量與地球動(dòng)力學(xué). 2016(12)
[7]非等間距多點(diǎn)變形預(yù)測模型及其應(yīng)用[J]. 尹暉,周曉慶,張曉鳴.  測繪學(xué)報(bào). 2016(10)
[8]粒子群優(yōu)化人工魚群算法[J]. 梁毓明,裴興環(huán).  計(jì)算機(jī)仿真. 2016(06)
[9]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[10]基于高斯過程的GPS高程轉(zhuǎn)換模型[J]. 羅亦泳,姚宜斌,張立亭,周世健,魯鐵定.  測繪通報(bào). 2015(11)

博士論文
[1]支持向量機(jī)學(xué)習(xí)算法若干問題的研究[D]. 常甜甜.西安電子科技大學(xué) 2010
[2]基于支持向量機(jī)的故障智能診斷方法研究[D]. 翟永杰.華北電力大學(xué)（河北） 2004
[3]一種新型的智能優(yōu)化方法-人工魚群算法[D]. 李曉磊.浙江大學(xué) 2003

碩士論文
[1]改進(jìn)的局部均值分解和高斯過程在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用研究[D]. 王奉偉.東華理工大學(xué) 2016
[2]基于高斯過程回歸的鋰電池?cái)?shù)據(jù)處理[D]. 葉婧.北京交通大學(xué) 2016
[3]人工魚群優(yōu)化算法及其應(yīng)用研究[D]. 徐翔燕.西南交通大學(xué) 2015
[4]基于多輸出高斯過程回歸的超臨界翼型優(yōu)化[D]. 吳寬展.南京航空航天大學(xué) 2015
[5]基于高斯過程的數(shù)據(jù)處理的研究[D]. 曲軼松.北京交通大學(xué) 2014
[6]基于MOGP回歸的飛機(jī)翼型設(shè)計(jì)代理模型研究[D]. 祝青雷.南京航空航天大學(xué) 2014
[7]基于高斯過程的變形預(yù)測算法研究[D]. 雷鳴.東華理工大學(xué) 2013
[8]基于多輸出高斯過程回歸的翼型快速設(shè)計(jì)[D]. 閆國啟.南京航空航天大學(xué) 2013
[9]基于高斯過程回歸的翼型快速設(shè)計(jì)研究[D]. 單志輝.南京航空航天大學(xué) 2011
[10]基于灰色系統(tǒng)理論的變形分析與預(yù)報(bào)模型應(yīng)用研究[D]. 李曉蕾.長安大學(xué) 2008



本文編號：3161832