基于极限学习机的变形分析建模研究.pdf
极限学习机(ELM)作为一种新型人工神经网络训练算法,相比传统前馈神经网络具有速度快、泛化性能好和不易陷入局部极值等优势,在图形符号处理、工业控制、市场分析与医学诊断等领域得到了广泛应用.本文将ELM应用于变形分析建模,建立了基于ELM的变形预报模型.试验表明,该模型克服了传统BP网络、支持向量回归(SVR)在学习速度、泛化能力和控制性等方面的局限,大幅提高了变形分析的建模效率与预测精度,具备较高的工程应用价值.
作者：杨细源 黄声享 庞辉
作者单位：武汉大学测绘学院,湖北武汉430079武汉大学测绘学院,湖北武汉430079;地球空间信息技术协同创新中心,湖北武汉430079国网河北省电力有限公司,河北石家庄050021
母体文献：中国测绘地理信息学会工程测量2018年学术年会论文集
会议名称：中国测绘地理信息学会工程测量2018年学术年会
会议时间：2018年10月25日
会议地点：重庆
主办单位：中国测绘地理信息学会
语种：chi
分类号：
关键词：建筑物 变形监测 极限学习机 BP神经网络 支持向量回归
在线出版日期：2022年3月9日
基金项目：
相似文献
相关博文
- 文件大小:
- 3.72 MB
- 下载次数:
- 60
-
高速下载
|
|
