高边坡时序位移滚动预测的SVM-Elman模型

• 作者: 严中奇 刘冲 旦增赤列 沈振中 甘磊
• 来源期刊: 长江科学院院报
• 学科: 工学
• 关键词: 边坡变形预测 支持向量机 Elman神经网络 SVM-Elman模型 粒子群优化算法 隐含层数
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 工程安全与灾害防治
• 页码范围: 62-68
• 页数: 7页
• 分类号: TV698.1
• 字数: 5860字
• 语种: 中文
• DOI: 10.11988/ckyyb.20171018

摘要

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型.在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进.将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析.结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	沈振中	河海大学水文水资源与水利工程科学国家重点实验室	162	959	15.0	23.0
5	刘冲	河海大学水文水资源与水利工程科学国家重点实验室	8	30	3.0	5.0
6	甘磊	河海大学水文水资源与水利工程科学国家重点实验室	25	107	6.0	8.0
10	旦增赤列	河海大学水文水资源与水利工程科学国家重点实验室	1	2	1.0	1.0