10.3969/j.issn.1000-4726.2020.05.018
应用混合核PSO-KELM模型预测边坡位移
针对边坡位移预报的复杂性,提出一种预测边坡位移的混合核PSO-KELM模型:将极限学习机(ELM)方法用于对边坡位移时序预测的研究,按多核学习的思想,构造由径向基核函数和多项式核函数经加权而成的混合核函数,对新构成的混合核函数,综合了径向基核函数和多项式核函数的优点,并通过粒子群算法(PSO)对模型的参数进行优选,避免了人工操作的繁琐性.工程应用表明,在单步滚动预报时混合核PSO-KELM模型所得结果远优于标准SVM模型,较混合核PSO-LSSVM模型也有一定的提升;在多步滚动预报时,混合核PSO-KELM模型也可得到较满意的精度.
边坡位移、极限学习机、粒子群算法、混合核
51
TU473(土力学、地基基础工程)
贵州省科技厅科技支撑计划;中建四局科技研发课题
2020-06-22(万方平台首次上网日期,不代表论文的发表时间)
共4页
579-582