基于优化极限学习机的变形分析与预测方法研究
发布时间：2021-01-20 18:03
极限学习机（Extreme Learning Machine,ELM）是一种新型的单隐层前馈神经网络（single-hidden layer feedforward networks,SLFNs）,其网络输入权值和隐含层偏置随机产生,与传统的前馈神经网络相比具有训练速度快、泛化能力强、预测误差小等优点,其性能与支持向量机相近。目前,极限学习机已在多学科领域的分类与回归问题中得到广泛的研究和应用,但在变形监测数据预测与分析中的研究和应用相对较少。因此,本文研究将极限学习机用于工程体变形分析与预测,主要研究工作如下:1.对国内外极限学习机相关理论进行系统性研究,针对极限学习机在工程测量变形预测领域研究较少的现状,借鉴极限学习机在其他领域内的应用,确定本文的研究内容。2.将极限学习机与传统的神经网络（BP和支持向量机）进行实验对比分析,验证极限学习机具有运算速度快、泛化能力强、预测误差小的优点。同时,实验结果反映出极限学习机存在最佳隐含层节点难以确定、网络参数随机设定导致预测结果稳定性较差等不足。3.针对极限学习机存在的不足,研究增量ELM和剪枝ELM优化算法,寻找网络最佳隐含层节点,另外,...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
人工神经元模型
反馈神经网络（Feedbackward Neural Networks），从输出到输入构相比前馈网络更为复杂。代表性的反馈神经网络有 Elman 网络自组织网络（Self-Organizing Neural Networks，SOM），这是一种，SOM 可以通过自动寻找样本中的本质属性，自适应地调整网隐层前馈神经网络前馈神经网络（SLFNs）是 ANN 研究中的一类重要算法，它可现复杂的非线性映射。因此 SLFNs 可以为很多复杂的非线性问泛应用多个领域。 SLFNs 模型由输入层、隐含层和输出层三层结构组成，三层之 2-2 所示。
图 3-1 GA 优化 ELM 模型流程图3.2.2 PSO 优化 ELM粒子群优化算法也称为鸟群觅食算法，是由 J. Kennedy 和 R. C.Eberhart 等人提出的一种进化算法。PSO 算法是通过群体中的个体将自己的信息告知给其他个体，使整个群体在信息共享的机制下运动变得有规律的过程，由此获得最优解。PSO 算法中的控制参数[66]如表 3-1 所示：表 3-1 PSO 算法的控制参数参数 介绍粒子群规模 N粒子群规模决定算法的寻优能力，N 越大算法找到最优解的可能性越大，但是当 N 的数目增大时，算法计算的复杂度也随之上升粒子维度 D 粒子维度与待优化目标的维度相同
【参考文献】：
期刊论文
[1]改进人工鱼群算法在SVM参数优化中的应用[J]. 邱云飞,李智义. 计算机工程与科学. 2018(11)
[2]基于PSO-ELM的热力系统参数预测[J]. 赵丽娟,马良玉,王晓霞. 电力科学与工程. 2018(03)
[3]GA-ELM在硫铁矿制酸尾气SO2浓度预测的应用[J]. 黄远红,黄清宝. 计算机系统应用. 2017(10)
[4]基于神经网络的目标图像识别方法分析[J]. 龚岩. 电子世界. 2017(12)
[5]参数优化GA-ELM模型在露天煤矿抛掷爆破的预测[J]. 温廷新,陈晓宇,邵良杉,窦融,魏鹏. 煤炭学报. 2017(03)
[6]基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型[J]. 徐大明,杜永贵,孙传恒,周超. 江苏农业科学. 2017(04)
[7]结合三次样条和时序模型的桥墩沉降预测[J]. 张凯选,马传宁. 测绘科学. 2016(12)
[8]自适应混沌粒子群算法对极限学习机参数的优化[J]. 陈晓青,陆慧娟,郑文斌,严珂. 计算机应用. 2016(11)
[9]基于改进流形正则化极限学习机的短期电力负荷预测[J]. 李冬辉,闫振林,姚乐乐,郑宏宇. 高电压技术. 2016(07)
[10]基于探测粒子群的小波核极限学习机算法[J]. 陈晓青,陆慧娟,关伟,郑文斌. 计算机科学. 2016(S1)
硕士论文
[1]基于极限学习机的林区火灾多感监测研究[D]. 向彬彬.安徽理工大学 2018
[2]基于优化的极限学习机的脑血管发病人数预测研究[D]. 王正华.郑州大学 2018
[3]基于极限学习机的分类问题研究与应用[D]. 王博林.辽宁师范大学 2018
[4]基于遗传算法优化极限学习机的房地产税基批量评估研究[D]. 侯晨.青岛理工大学 2018
[5]基于时序分析法的地下工程变形预测研究[D]. 伍梦清.湖南科技大学 2017
[6]小波变换在变形监测数据去噪和信息提取中的应用研究[D]. 罗烈.西南交通大学 2017
[7]多点灰色变形分析与预报方法研究[D]. 吴开岩.西南交通大学 2017
[8]隧道浅埋暗挖施工工法对建筑物的影响分析[D]. 李雪薇.山东科技大学 2017
[9]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[10]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
本文编号：2989514
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
人工神经元模型
反馈神经网络（Feedbackward Neural Networks），从输出到输入构相比前馈网络更为复杂。代表性的反馈神经网络有 Elman 网络自组织网络（Self-Organizing Neural Networks，SOM），这是一种，SOM 可以通过自动寻找样本中的本质属性，自适应地调整网隐层前馈神经网络前馈神经网络（SLFNs）是 ANN 研究中的一类重要算法，它可现复杂的非线性映射。因此 SLFNs 可以为很多复杂的非线性问泛应用多个领域。 SLFNs 模型由输入层、隐含层和输出层三层结构组成，三层之 2-2 所示。
图 3-1 GA 优化 ELM 模型流程图3.2.2 PSO 优化 ELM粒子群优化算法也称为鸟群觅食算法，是由 J. Kennedy 和 R. C.Eberhart 等人提出的一种进化算法。PSO 算法是通过群体中的个体将自己的信息告知给其他个体，使整个群体在信息共享的机制下运动变得有规律的过程，由此获得最优解。PSO 算法中的控制参数[66]如表 3-1 所示：表 3-1 PSO 算法的控制参数参数 介绍粒子群规模 N粒子群规模决定算法的寻优能力，N 越大算法找到最优解的可能性越大，但是当 N 的数目增大时，算法计算的复杂度也随之上升粒子维度 D 粒子维度与待优化目标的维度相同
【参考文献】：
期刊论文
[1]改进人工鱼群算法在SVM参数优化中的应用[J]. 邱云飞,李智义. 计算机工程与科学. 2018(11)
[2]基于PSO-ELM的热力系统参数预测[J]. 赵丽娟,马良玉,王晓霞. 电力科学与工程. 2018(03)
[3]GA-ELM在硫铁矿制酸尾气SO2浓度预测的应用[J]. 黄远红,黄清宝. 计算机系统应用. 2017(10)
[4]基于神经网络的目标图像识别方法分析[J]. 龚岩. 电子世界. 2017(12)
[5]参数优化GA-ELM模型在露天煤矿抛掷爆破的预测[J]. 温廷新,陈晓宇,邵良杉,窦融,魏鹏. 煤炭学报. 2017(03)
[6]基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型[J]. 徐大明,杜永贵,孙传恒,周超. 江苏农业科学. 2017(04)
[7]结合三次样条和时序模型的桥墩沉降预测[J]. 张凯选,马传宁. 测绘科学. 2016(12)
[8]自适应混沌粒子群算法对极限学习机参数的优化[J]. 陈晓青,陆慧娟,郑文斌,严珂. 计算机应用. 2016(11)
[9]基于改进流形正则化极限学习机的短期电力负荷预测[J]. 李冬辉,闫振林,姚乐乐,郑宏宇. 高电压技术. 2016(07)
[10]基于探测粒子群的小波核极限学习机算法[J]. 陈晓青,陆慧娟,关伟,郑文斌. 计算机科学. 2016(S1)
硕士论文
[1]基于极限学习机的林区火灾多感监测研究[D]. 向彬彬.安徽理工大学 2018
[2]基于优化的极限学习机的脑血管发病人数预测研究[D]. 王正华.郑州大学 2018
[3]基于极限学习机的分类问题研究与应用[D]. 王博林.辽宁师范大学 2018
[4]基于遗传算法优化极限学习机的房地产税基批量评估研究[D]. 侯晨.青岛理工大学 2018
[5]基于时序分析法的地下工程变形预测研究[D]. 伍梦清.湖南科技大学 2017
[6]小波变换在变形监测数据去噪和信息提取中的应用研究[D]. 罗烈.西南交通大学 2017
[7]多点灰色变形分析与预报方法研究[D]. 吴开岩.西南交通大学 2017
[8]隧道浅埋暗挖施工工法对建筑物的影响分析[D]. 李雪薇.山东科技大学 2017
[9]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[10]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
本文编号：2989514
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2989514.html
