高斯过程在变形监测数据处理中的研究及应用
发布时间：2021-04-26 17:41
高斯过程（Gaussian Process,GP）具有特别严格的数学理论基础,对处理高维数、小样本和非线性等问题适应性好。GP作为一种全新的机器学习方法,在变形监测数据处理方面的应用有待作深入研究分析,如协方差函数的选取、监测点的相关性、超参数的确定等问题,论文就这些作相关的研究与分析。单输出高斯过程（Single Output Gaussian Process,SOGP）模型选取不同类型的协方差函数进行建模,将不同类型协方差函数建立的SOGP模型建模结果与GM（1,1）模型对比分析。通过实例分析发现SOGP模型的建模精度更高,验证了SOGP模型的有效性,并反映了神经网络（Neural Network,NN）协方差函数建立的SOGP模型具有良好的扩展性。针对SOGP模型通常采用共轭梯度法搜索超参数,存在对初始值依赖性强,容易陷入局部最优解的缺点。论文利用人工鱼群算法对超参数进行智能寻优,基于人工鱼群算法建立了优化的SOGP变形体形变预测模型。通过隧道和基坑两个案例对比分析,发现超参数优化模型的预测精度提升明显,表明了SOGP模型本身存在超参数求解方面的不足。监测点的形变并不是孤立的,相...
【文章来源】：东华理工大学江西省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 选题背景与意义
1.2 国内外研究现状
1.3 本文主要研究内容
1.4 组织结构
2 单输出高斯过程模型
2.1 单输出高斯过程模型的基本原理
2.2 核函数的选择
2.3 超参数确定
2.4 实例分析
2.4.1 在高边坡变形监测中的应用
2.4.2 在建筑物变形监测中的应用
2.4.3 分析总结
2.5 本章小结
3 基于人工鱼群算法优化单输出高斯过程模型
3.1 引言
3.2 人工鱼群算法
3.3 AFSA-SOGP模型
3.4 实例分析
3.4.1 在隧道变形监测的应用
3.4.2 在基坑变形监测的应用
3.4.3 分析总结
3.5 本章小结
4 多输出高斯过程模型
4.1 多输出高斯过程模型的基本原理
4.2 模型参数的选择
4.3 确定端口间的相关性和精度评价指标
4.4 实例分析
4.4.1 实例一
4.4.2 实例二
4.4.3 分析总结
4.5 本章小结
5 优化的MOGP模型在变形监测数据处理中的应用
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模型的计算流程
5.3 实例分析
5.3.1 在基坑变形监测中的应用
5.3.2 在滑坡变形监测中的应用
5.3.3 分析总结
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间完成成果
【参考文献】：
期刊论文
[1]基于高斯过程回归的变形智能预测模型及应用[J]. 王建民,张锦. 武汉大学学报(信息科学版). 2018(02)
[2]利用人工鱼群算法优化高斯过程模型及应用分析[J]. 邱小梦,周世健,王奉伟,欧阳亮酉. 测绘通报. 2018(01)
[3]顾及邻近点变形因素的高斯过程建模及预测[J]. 周昀琦,王奉伟,周世健,罗亦泳,周清. 测绘科学. 2018(04)
[4]改进灰色模型在海上交通综合安全指数预测应用[J]. 陈昌源,戴冉,冯纪军,岳兴旺,张杰. 中国航海. 2017(01)
[5]基于粒子群与人工鱼群混合算法的TSP求解模型[J]. 彭凯,黄宜庆,邵寿琛. 四川理工学院学报(自然科学版). 2017(01)
[6]改进多点灰色模型的研究及应用分析[J]. 邱小梦,周世健,王奉伟,杨晓东. 大地测量与地球动力学. 2016(12)
[7]非等间距多点变形预测模型及其应用[J]. 尹晖,周晓庆,张晓鸣. 测绘学报. 2016(10)
[8]粒子群优化人工鱼群算法[J]. 梁毓明,裴兴环. 计算机仿真. 2016(06)
[9]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[10]基于高斯过程的GPS高程转换模型[J]. 罗亦泳,姚宜斌,张立亭,周世健,鲁铁定. 测绘通报. 2015(11)
博士论文
[1]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[2]基于支持向量机的故障智能诊断方法研究[D]. 翟永杰.华北电力大学（河北） 2004
[3]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D]. 王奉伟.东华理工大学 2016
[2]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[3]人工鱼群优化算法及其应用研究[D]. 徐翔燕.西南交通大学 2015
[4]基于多输出高斯过程回归的超临界翼型优化[D]. 吴宽展.南京航空航天大学 2015
[5]基于高斯过程的数据处理的研究[D]. 曲轶松.北京交通大学 2014
[6]基于MOGP回归的飞机翼型设计代理模型研究[D]. 祝青雷.南京航空航天大学 2014
[7]基于高斯过程的变形预测算法研究[D]. 雷鸣.东华理工大学 2013
[8]基于多输出高斯过程回归的翼型快速设计[D]. 闫国启.南京航空航天大学 2013
[9]基于高斯过程回归的翼型快速设计研究[D]. 单志辉.南京航空航天大学 2011
[10]基于灰色系统理论的变形分析与预报模型应用研究[D]. 李晓蕾.长安大学 2008
本文编号：3161832
【文章来源】：东华理工大学江西省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 选题背景与意义
1.2 国内外研究现状
1.3 本文主要研究内容
1.4 组织结构
2 单输出高斯过程模型
2.1 单输出高斯过程模型的基本原理
2.2 核函数的选择
2.3 超参数确定
2.4 实例分析
2.4.1 在高边坡变形监测中的应用
2.4.2 在建筑物变形监测中的应用
2.4.3 分析总结
2.5 本章小结
3 基于人工鱼群算法优化单输出高斯过程模型
3.1 引言
3.2 人工鱼群算法
3.3 AFSA-SOGP模型
3.4 实例分析
3.4.1 在隧道变形监测的应用
3.4.2 在基坑变形监测的应用
3.4.3 分析总结
3.5 本章小结
4 多输出高斯过程模型
4.1 多输出高斯过程模型的基本原理
4.2 模型参数的选择
4.3 确定端口间的相关性和精度评价指标
4.4 实例分析
4.4.1 实例一
4.4.2 实例二
4.4.3 分析总结
4.5 本章小结
5 优化的MOGP模型在变形监测数据处理中的应用
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模型的计算流程
5.3 实例分析
5.3.1 在基坑变形监测中的应用
5.3.2 在滑坡变形监测中的应用
5.3.3 分析总结
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间完成成果
【参考文献】：
期刊论文
[1]基于高斯过程回归的变形智能预测模型及应用[J]. 王建民,张锦. 武汉大学学报(信息科学版). 2018(02)
[2]利用人工鱼群算法优化高斯过程模型及应用分析[J]. 邱小梦,周世健,王奉伟,欧阳亮酉. 测绘通报. 2018(01)
[3]顾及邻近点变形因素的高斯过程建模及预测[J]. 周昀琦,王奉伟,周世健,罗亦泳,周清. 测绘科学. 2018(04)
[4]改进灰色模型在海上交通综合安全指数预测应用[J]. 陈昌源,戴冉,冯纪军,岳兴旺,张杰. 中国航海. 2017(01)
[5]基于粒子群与人工鱼群混合算法的TSP求解模型[J]. 彭凯,黄宜庆,邵寿琛. 四川理工学院学报(自然科学版). 2017(01)
[6]改进多点灰色模型的研究及应用分析[J]. 邱小梦,周世健,王奉伟,杨晓东. 大地测量与地球动力学. 2016(12)
[7]非等间距多点变形预测模型及其应用[J]. 尹晖,周晓庆,张晓鸣. 测绘学报. 2016(10)
[8]粒子群优化人工鱼群算法[J]. 梁毓明,裴兴环. 计算机仿真. 2016(06)
[9]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[10]基于高斯过程的GPS高程转换模型[J]. 罗亦泳,姚宜斌,张立亭,周世健,鲁铁定. 测绘通报. 2015(11)
博士论文
[1]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[2]基于支持向量机的故障智能诊断方法研究[D]. 翟永杰.华北电力大学（河北） 2004
[3]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D]. 王奉伟.东华理工大学 2016
[2]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[3]人工鱼群优化算法及其应用研究[D]. 徐翔燕.西南交通大学 2015
[4]基于多输出高斯过程回归的超临界翼型优化[D]. 吴宽展.南京航空航天大学 2015
[5]基于高斯过程的数据处理的研究[D]. 曲轶松.北京交通大学 2014
[6]基于MOGP回归的飞机翼型设计代理模型研究[D]. 祝青雷.南京航空航天大学 2014
[7]基于高斯过程的变形预测算法研究[D]. 雷鸣.东华理工大学 2013
[8]基于多输出高斯过程回归的翼型快速设计[D]. 闫国启.南京航空航天大学 2013
[9]基于高斯过程回归的翼型快速设计研究[D]. 单志辉.南京航空航天大学 2011
[10]基于灰色系统理论的变形分析与预报模型应用研究[D]. 李晓蕾.长安大学 2008
本文编号：3161832
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3161832.html
