OALib Journal期刊
相关向量机理论在大坝变形监测模型中的方法研究 Research on methods of dam deformation monitoring model based on RVM theory
Keywords: 大坝变形监测模型 ,相关向量机 ,马尔科夫链 ,粒子群优化算法
Abstract:
建立有效的大坝变形监测模型可以反映大坝运行情况.相关向量机(RVM)具有良好的泛化能力,且适于解决非线性问题,尤其是高维数情况.在RVM理论的基础上,建立大坝变形监测模型,并以此研究其优化改进模型.改进思路如下:利用马尔科夫链适于解决监测数据波动大的优势处理模型残差;同时如何选择核参数会严重影响RVM模型的精度,采用一种改进的粒子群算法寻优核参数.通过实例比较多种优化模型发现,基于RVM理论建立模型的优化方法可大大提高预测的泛化能力及精度
References
[1] 田斌,徐卫超,何薪基,等.前馈人工神经网络法在大坝安全监控中的应用[J].水力发电,2003,29(7):60-63. [2] 张楠,马福恒,张帅,等.大坝实测性态的灰色马尔科夫链预测方法研究[J].水电能源科学,2012,30(8):70-73. [3] Bishop C M.Pattern recognition and machine learning[M].New York:Springer,2006. [4] 吴中如.水工建筑物安全监控理论及其应用[M].北京:高等教育出版社,2003. [5] 于鹏,顾冲时.大坝安全监测的组合预测模型[J].人民黄河,2006,28(1):67-68,72. [6] 杨树仁,沈洪远.基于相关向量机的机器学习算法研究与应用[J].计算技术与自动化,2010,29(1):43-47. [7] 纪雪玲,李明,李玮,等.一种克服局部最优的收缩因子PSO算法[J].计算机工程,2011,37(20):213-215. [8] 张孟尧.基于相关向量机的生物反应过程软测量建模与应用[D].镇江:江苏大学,2013. [9] Tipping M E,Faul A.Fast marginal likelihood maximization for sparse Bayesian models[C]//Proceedings of Ninth International Workshop on Artificial Intelligence and Statistics,Key West,Florida,2003:1-8. [10] 瞿娜娜.基于组合核函数支持向量机研究及应用[D].广州:华南理工大学,2011. [11] 张鑫,任永泰,王福林,等.基于改进灰色马尔科夫模型的年降水量预测[J].数学的实践与认识,2011,41(11):51-57. [12] 姜谙男,梁冰.基于PSO-SVM的大坝渗流监测时间序列非线性预报模型[J].水利学报,2006,37(3):331-335. [13] 苏怀智,温志萍,吴中如,等.基于SVM理论的大坝安全预警模型研究[J].应用基础与工程科学学报,2009,17(1):40-48. [14] 董胜,刘德辅.年极值水位的灰色马尔科夫预报模型[J].水利学报,1999,(1):60-64. [15] 刘华蓥,林玉娥,齐名军,等.求解约束优化问题的改进粒子群算法[J].大庆石油学院学报,2005,29(4):73-75. [16] Asanga R,Saman K H,Harry C W.Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients[J].IEEE Transactions on Evolutionary Computation,2004,8(3):240-255. [17] 方卫华.基于峰值识别理论的大坝安全监控模型[J].水电能源科学,2008,26(5):78-79,149.
Full-Text
Contact Us
service@oalib.com
QQ:3279437679
WhatsApp +8615387084133
