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

【文章來源】：測繪科學. 2020,45(11)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

ELM網(wǎng)絡結(jié)構(gòu)圖

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

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

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



本文編號：3123467