共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
针对大坝变形预测的影响因素过多且无法精准预测的问题,将主成分分析方法、多元宇宙算法、BP神经网络协同应用于大坝水平位移预测中,构建出PCA-MVO-BP预测模型。通过PCA来降低原始输入参数的维度,消除变量间相关性,并结合多元宇宙算法的快速收敛、泛化能力强的特性,解决BP神经网络预测模型中的权值和阈值的优化问题。以丰满大坝监测数据为测试样本,将组合模型与常规预测模型进行对比。结果表明:相较于常规LSSVM、RF、SVM算法,组合预测模型的平均误差、标准误差、平均绝对百分比误差值均较小,其预测精度较于单一BP神经网络提高了28.85%。表明了PCA-MVO-BP模型在大坝水平位移预测中的现实性。 相似文献
4.
5.
6.
在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法( particle swarm optimization ,PSO)优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。 相似文献
7.
针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。 相似文献
8.
9.
10.
目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。 相似文献