基于机器学习的重力坝变形监测统计模型及应用

发布时间：2025-06-10 05:24

　　 为了提升重力坝变形监测模型精度,文章采用极限学习机(ELM)、基于网格搜索和交叉验证的支持向量机、基于模拟退火遗传算法优化的BP神经网络(GASA-BP)三种机器学习方法对经验模态分解(EMD)重构的周期项进行训练和预测,并与传统的最小二乘法进行对比分析。结果表明,机器学习算法可以有效提升模型的拟合及预测精度。

【文章页数】：6 页

【部分图文】：

图1 EMD重构周期顺河向位移ELM拟合

经试验，变量进行最值化归一的区间设置为[0,1]，极限学习机ELM的激活函数设置为Sigmoid函数，隐藏层神经元节点数量L设置为10，可以获得较好的训练和预测效果。训练产生的输入层神经元与隐含层神经元间的连接权重、隐藏层神经元的阈值和隐藏层与输出层的连接权重见表1,ELM算法训....

图2 EMD重构周期顺河向位移ELM预测

图1EMD重构周期顺河向位移ELM拟合图3基于EMD与ELM的LA9顺河向位移监测模型

图3 基于EMD与ELM的LA9顺河向位移监测模型

图2EMD重构周期顺河向位移ELM预测图4EMD重构周期顺河向位移SVM拟合

图4 EMD重构周期顺河向位移SVM拟合

图3基于EMD与ELM的LA9顺河向位移监测模型图5EMD重构周期顺河向位移SVM预测

本文编号：4050371