為了提升重力壩變形監(jiān)測模型精度,文章采用極限學(xué)習(xí)機(ELM)、基于網(wǎng)格搜索和交叉驗證的支持向量機、基于模擬退火遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GASA-BP)三種機器學(xué)習(xí)方法對經(jīng)驗?zāi)�態(tài)分解(EMD)重構(gòu)的周期項進行訓(xùn)練和預(yù)測,并與傳統(tǒng)的最小二乘法進行對比分析。結(jié)果表明,機器學(xué)習(xí)算法可以有效提升模型的擬合及預(yù)測精度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 EMD重構(gòu)周期順河向位移ELM擬合

經(jīng)試驗，變量進行最值化歸一的區(qū)間設(shè)置為[0,1]，極限學(xué)習(xí)機ELM的激活函數(shù)設(shè)置為Sigmoid函數(shù)，隱藏層神經(jīng)元節(jié)點數(shù)量L設(shè)置為10，可以獲得較好的訓(xùn)練和預(yù)測效果。訓(xùn)練產(chǎn)生的輸入層神經(jīng)元與隱含層神經(jīng)元間的連接權(quán)重、隱藏層神經(jīng)元的閾值和隱藏層與輸出層的連接權(quán)重見表1,ELM算法訓(xùn)....

圖2 EMD重構(gòu)周期順河向位移ELM預(yù)測

圖1EMD重構(gòu)周期順河向位移ELM擬合圖3基于EMD與ELM的LA9順河向位移監(jiān)測模型

圖3 基于EMD與ELM的LA9順河向位移監(jiān)測模型

圖2EMD重構(gòu)周期順河向位移ELM預(yù)測圖4EMD重構(gòu)周期順河向位移SVM擬合

圖4 EMD重構(gòu)周期順河向位移SVM擬合

圖3基于EMD與ELM的LA9順河向位移監(jiān)測模型圖5EMD重構(gòu)周期順河向位移SVM預(yù)測

本文編號：4050371