极限学习机与弹性网络支持下的大坝变形预测

发布时间：2021-04-07 12:15

　　针对使用传统极限学习机实现大坝变形预测中,因影响因子复杂导致隐藏层个数难以确定的问题,该文提出一种基于极限学习机与弹性网络支持下的大坝变形预测模型。采用极限学习机算法,将大坝变形影响因子由原本的空间映射到极限学习机的特征空间,建立影响因子与变形结果之间的非线性联系,同时将非线性模型转换成一个线性模式求解问题,并使用弹性网络求解该模型。对比基于极限学习机回归与最小二乘回归算法的实验表明:弹性网络拥有更好的稳定性,改善了极限学习机难以处理的过拟合现象,减弱了因训练集样本不同造成的预测误差大的影响,只需任意设置足够数量的隐含层神经元个数就能得到可靠的预测结果,简化了基于极限学习机的大坝变形预测面临的隐含层神经元个数取舍问题。 

【文章来源】：测绘科学. 2020,45(11)北大核心CSCD

【文章页数】：9 页

【部分图文】：

ELM网络结构图

min | Ηβ-Τ |+1000β 3 2 +1000β 4 2 (11)如此在目标函数最小化时,由于添加1 000β 3 2 和1 000β 4 2 这样的大数字,导致β3和β4的结果值会特别小。在现实情况中,往往很难断定特征变量是否需要正则化,所以一般对所有参数均进行正则化处理,此时可得目标函数,见式(12)。

由式(15)可知,当α=0时,Elastic Net等价于L2正则;当α=1时,Elastic Net等价于L1正则;α∈(0,1)时,Elastic Net融合两种正则化的特点,据此得到3种正则化的二维图像描述,如图3所示。3 大坝变形预测模型

【参考文献】：
期刊论文
[1]基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J]. 李明军,王均星,王亚洲.  天津大学学报(自然科学与工程技术版). 2019(11)
[2]弹性网络核极限学习机的多标记学习算法[J]. 王一宾,裴根生,程玉胜.  智能系统学报. 2019(04)
[3]基于ARIMA模型的大坝安全监测数据分析与预测[J]. 解建仓,王玥,雷社平,李想,吕正祥.  人民黄河. 2018(10)
[4]改进的SVR在大坝边坡位移预测中的应用[J]. 刘小生,于良.  测绘通报. 2018(06)
[5]基于灰色遗传BP神经网络的大坝变形预测[J]. 卢献健,刘海锋,蒋园园,梁月吉.  桂林理工大学学报. 2017(04)
[6]重力坝挠度多测点空间模型研究[J]. 安慧琳,李艳玲,曾贝佳,钟为.  水电能源科学. 2016(11)
[7]变长增量型极限学习机及其泛化性能研究[J]. 王诗琦,赵书敏,耿江东,杨非,蒋忠进.  计算机应用研究. 2016(12)
[8]基于经验模态分解和遗传支持向量机的多尺度大坝变形预测[J]. 张豪,许四法.  岩石力学与工程学报. 2011(S2)
[9]基于小波变换和支持向量机的大坝变形预测[J]. 王新洲,范千,许承权,李昭.  武汉大学学报(信息科学版). 2008(05)



本文编号：3123467