| 基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型 |
| |
| 引用本文： | 徐冲,刘保国,刘开云,郭佳奇.基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型[J].岩土力学,2011,32(6):1669-1675. |
| |
| 作者姓名： | 徐冲 刘保国 刘开云 郭佳奇 |
| |
| 作者单位： | 北京交通大学土木建筑工程学院,北京,100044 |
| |
| 基金项目： | 国家863计划资助课题 |
| |
| 摘 要： | 高斯过程回归(GPR)学习机有着容易实现、超参数自适应获取及预测输出具有概率意义等优点。通常采用共轭梯度法获取GPR超参数,但其存在优化效果对初值依赖性太强,迭代次数难以确定,易陷入局部最优的缺点。改用粒子群优化(PSO)算法进行最优超参数搜索,形成粒子群-高斯过程回归耦合算法(PSO-GPR)。将该算法引入三峡永久船闸高边坡、卧龙寺新滑坡、链子崖滑坡3个不同的典型滑坡变形时序分析中,对每个滑坡分别采用稳态核及一种新式神经网络(NN)、平方指数(SE)、有理二次型(RQ)3种单一核函数进行外推预报测试。工程应用表明,基于3种不同单一核函数的粒子群-高斯过程回归算法(PSO-GPR)均能完全适应不同滑坡时序分析,其中以NN核函数外推预测效果最佳,平均相对误差分别为6.37%、7.62%、1.07%,从而改善了在进行不同滑坡变形时序分析时采用单一核函数的核机器外推能力存在较大差异性的问题,提高了单一核函数对不同数据类型的兼容性。
|
| 关 键 词： | 滑坡 粒子群优化 高斯过程回归 时序分析 位移预报 |
| 收稿时间： | 2009-12-10 |
Intelligent analysis model of landslide displacement time series based on coupling PSO-GPR |
| |
| XU Chong,LIU Bao-guo,LIU Kai-yun,GUO Jia-qi.Intelligent analysis model of landslide displacement time series based on coupling PSO-GPR[J].Rock and Soil Mechanics,2011,32(6):1669-1675. |
| |
| Authors: | XU Chong LIU Bao-guo LIU Kai-yun GUO Jia-qi |
| |
| Institution: | School of Civil Engineering, Beijing Jiaotong University, Beijing 100044, China |
| |
| Abstract: | Gaussian process regression(GPR) takes advantages of programming easily;self-adaptive acquisition of hyperparameters and prediction with probability interpretation.At present the hyperparameters are got by maximizing likelihood function of training samples based on conjugate gradient algorithm.However,the algorithm embodies the disadvantages of too strong dependence of optimization effect on initial value,difficultly determination of iteration steps,easily falling into local optimum.On the basis of mentione... |
| |
| Keywords: | landslide particle swarm optimization Gaussian process regression time series displacement prediction |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《岩土力学》浏览原始摘要信息 |
| 点击此处可从《岩土力学》下载免费的PDF全文 |
|
