改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

熵权遗传算法及极限学习机地铁隧道沉降预测

针对目前的地铁隧道沉降变形预测方法忽略了对沉降变形影响因素的综合协调考虑这一问题,该文将遗传算法(GA)结合极限学习机(ELM)的方法引入地铁隧道沉降变形预测。该方法借助最大信息熵理论,充分挖掘地铁隧道沉降主要影响因素与沉降量间的信息特征,并将遗传算法与极限学习机相耦合,利用遗传算法的全局搜索能力获取ELM神经网络优化的初始权值和阈值,形成熵权遗传算法-极限学习机模型,并编制相应计算程序。采用该模型对西安某地铁隧道沉降变形进行预测,并与遗传算法-极限学习机、极限学习机、传统的BP神经网络预测结果进行比较,结果表明熵权遗传算法-极限学习机模型与实测值吻合更好,预测结果更稳定。     

城市扩展极限学习机模型

城市空间结构及其扩展的模拟是城市科学管理与规划的重要前提,本文基于极限学习机提出了顾及不同非城市用地转化为城市用地差异与强度的城市扩展元胞自动机模型（ELM-CA）。模型验证表明：①ELM-CA模型的模拟精度达到70.30%,相比于逻辑回归和神经网络分别提高了2.21%和1.54%,FoM系数分别提高了0.025 9和0.017 9,Kappa系数分别提高了0.024 7和0.016 9,且Moran I指数接近于实际值,说明极限学习机模型较逻辑回归和神经网络能更有效模拟城市扩展的空间形态及其变化;②ELM模型的训练时间仅为神经网络的1/3左右,体现了ELM学习速度的优势;③在小样本情况下,逻辑回归和神经网络都受到明显的影响,而极限学习机还能保持良好的性能,这个特点使其在样本难以获取的情况下具有明显的优势。两个时相的城市扩展模拟与真实数据的比较表明：基于极限学习机的城市扩展元胞自动机模型（ELM-CA）,简化了CA模型的复杂度,并在小样本情况下能有效提高模拟精度,适合于复杂土地利用条件下城市扩展模拟与预测。     

基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

动态神经网络在变形预报中的应用

静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化.如果每增加一个样本对神经网络重新训练,需要大量的计算时间.针对该问题,提出了动态神经网络预报模型.在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正.为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率.通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域.     

优化极限学习机在城市轨道交通地表沉降预测中的应用

为了确保轨道交通隧道施工作业的正常进行及地表建构筑物的稳定安全,采用遗传算法(genetic algorithm,GA)对极限学习机(extreme learning machine,ELM)模型的输入权值和隐含层偏置进行优化,通过构建GA-ELM模型,实现对轨道交通施工隧道地表断面监测点实测数据进行变形预测研究,并将...     

结合粒子群寻优的混合核函数极限学习机分类模型

多光谱影像记录了地球上各类地物的电磁波,具有极大的信息量,对影像上相关信息的处理和提取是遥感信息应用的前提。多光谱影像的信息自动提取技术的准确性和提取速度是图像分析与理解领域永恒的研究主题。针对遥感影像信息提取的复杂性和极限学习机ELM的分类性能,在单隐层神经网络和极限学习机理论的基础上,提出了基于粒子群参数寻优的混合核函数极限学习机分类模型。与标准的ELM、支持向量机等分类模型进行比较验证,实验结果表明,混合核函数的极限学习机总体分类精度最高,达到了92.67%,有效提高了影像信息提取的精度和速度,很好地满足了图像信息自动提取对准确率和速度的双重要求。     

基于时序分析的建筑物沉降数据处理

变形数据分析与预报是变形监测数据处理的重要内容。基于时间序列分析的特性,研究了应用AR模型对建筑物沉降数据进行分析处理和预报的方法步骤,并通过实例计算证明,该模型具有较好的拟合效果和预报精度。     

顾及不确定性影响的变形概率预报法

针对变形预报的不确定性,以MCMC算法和贝叶斯预测理论为基础,提出了变形概率预报方法,该方法以概率分布的形式描述变形预报的不确定性,通过概率规则实现预报的递推过程。利用宁杭高速路基沉降数据进行数值计算,定量分析了预报值及其可靠性区间等信息,并与最小二乘估计、免疫算法的预报结果进行比较,结果表明了该方法的有效性和可行性。     

基于小波神经网络的桥梁变形监测预报

小波神经网络对建筑物变形预报具有较高的模型拟合及预报精度。从小波神经网络算法原理出发,阐述了使用该方法对所获得的桥梁变形监测数据进行模型建立及预报的过程,并利用Matlab实现了编程代码。通过对某桥梁变形监测预报的应用表明,该方法具有很强的可行性和实用性,可及早为桥梁变形预警,避免或减少灾害的发生。     

动态最小二乘支持向量机学习算法

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法.该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率.大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点.     

一种基于流形正则化的半监督指纹定位算法

针对传统指纹定位算法采集带标签训练数据成本高的问题,本文提出了一种基于流形正则化的半监督指纹定位算法。首先以流形假设为依据,利用批量输入的带标签数据与无标签数据之间的相似度构建图拉普拉斯算子;然后与极限学习机算法相结合,通过随机特征映射建立隐含层;最后在流形正则化框架下,求解隐含层和输出层之间的权值矩阵,从而建立位置估计模型。仿真结果表明,与INN、SVR、ELM 3种算法相比,该算法的训练和测试时间相对较短,且在带标签训练数据稀疏的前提下仍能保持较高的准确率与稳定性。     

Active extreme learning machines for quad-polarimetric SAR imagery classification

Supervised classification of quad-polarimetric SAR images is often constrained by the availability of reliable training samples. Active learning (AL) provides a unique capability at selecting samples with high representation quality and low redundancy. The most important part of AL is the criterion for selecting the most informative candidates (pixels) by ranking. In this paper, class supports based on the posterior probability function are approximated by ensemble learning and majority voting. This approximation is statistically meaningful when a large enough classifier ensemble is exploited. In this work, we propose to use extreme learning machines and apply AL to quad-polarimetric SAR image classification. Extreme learning machines are ideal because of their fast operation, straightforward solution and strong generalization. As inputs to the so-called active extreme learning machines, both polarimetric and spatial features (morphological profiles) are considered. In order to validate the proposed method, results and performance are compared with random sampling and state-of-the-art AL methods, such as margin sampling, normalized entropy query-by-bagging and multiclass level uncertainty. Experimental results for four quad-polarimetric SAR images collected by RADARSAT-2, AirSAR and EMISAR indicate that the proposed method achieves promising results in different scenarios. Moreover, the proposed method is faster than existing techniques in both the learning and the classification phases.     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义.建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息.针对该问题,提出一种改进粒子群(ParticleSwarmOptimization,PSO)算法优化支持向量机(SupportVe...     

数据驱动的定量遥感研究进展与挑战

定量遥感是从原始遥感观测信息中定量推算或反演出地学参量的理论与方法.传统定量遥感主要基于模型驱动,强调通过数学或物理模型完成推算和反演.随着人工智能技术的发展和普及,数据驱动的方式也逐渐受到广泛关注,其强调的是通过机器学习等方式挖掘遥感观测数据中所包含的信息,完成地学参量的定量反演.在强大计算能力的支持下,数据驱动的方...     

基于高斯过程回归的变形智能预测模型及应用

岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型（GPR-TIPM）;将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。     

顾及样本敏感性的滑坡易发性评价

滑坡作为一种危害极大的自然地质现象,严重威胁着人民的生命财产安全。因此,科学、准确地评价滑坡体的易发性至关重要。随着机器学习的发展,基于机器学习的滑坡易发性评价逐渐成为研究热点。而在真实情况中,滑坡区域与非滑坡区域面积占比悬殊,这使得机器学习模型的应用存在较严重的样本不均衡问题。本文采用样本敏感性分析方法,综合多个机器学习模型在不同比例的正负滑坡样本集上的表现,以获取最均衡滑坡样本集;并在此样本集基础上采用深度随机森林模型,在示范研究区开展滑坡易发性评价。最终的评价结果接近真实分布,表明本文方法具有较好的有效性。     

基于机器学习的多施工参数盾构施工姿态预测

针对盾构施工过程中参数易变、轴线难以预测控制的问题,本文提出了基于机器学习的多施工参数盾构施工姿态预测方法,分析了在复杂环境下影响盾构姿态掘进施工的参数,以及掘进参数和盾构姿态内在的关联关系,建立了盾构姿态预测模型,实现了盾首盾尾中心坐标与设计轴线的偏差计算;最后结合某地铁施工段,验证了该预测模型的可行性.