摘要
针对传统的偏最小二乘回归(PLS)、人工神经网络(ANN)、支持向量机(SVM)等非线性建模方法在概率积分法参数辨识中存在着预测效果差的不足,提出概率积分法参数辨识的多尺度核偏最小二乘回归(multi-scale KPLS)方法。首先,构建满足容许条件的多尺度高斯核函数;然后,对学习样本进行模糊聚类,以最优分类个数作为多尺度高斯核函数的尺度个数,并采用10次10折交叉验证按照网格搜索方法确定核函数的宽度;最后,详细论述multi-scale KPLS的建模过程。通过实例将multi-scale KPLS的预测结果与3种传统的PLS方法、径向基神经网络(RBF-NN)和SVM模型进行对比分析。结果表明:multi-scale KPLS顾及建模样本的多尺度特性,其预测精度明显高于其他预测模型;multi-scale KPLS有效地克服了各影响因素之间的多重共线性对预测结果的不利影响,具有较强的稳健性;multi-scale KPLS适用于多个因变量对多个自变量的概率积分法参数辨识问题,其建模参数均可自适应确定,在建模效率上优于RBF-NN和SVM。
针对传统的偏最小二乘回归(PLS)、人工神经网络(ANN)、支持向量机(SVM)等非线性建模方法在概率积分法参数辨识中存在着预测效果差的不足,提出概率积分法参数辨识的多尺度核偏最小二乘回归(multi-scale KPLS)方法。首先,构建满足容许条件的多尺度高斯核函数;然后,对学习样本进行模糊聚类,以最优分类个数作为多尺度高斯核函数的尺度个数,并采用10次10折交叉验证按照网格搜索方法确定核函数的宽度;最后,详细论述multi-scale KPLS的建模过程。通过实例将multi-scale KPLS的预测结果与3种传统的PLS方法、径向基神经网络(RBF-NN)和SVM模型进行对比分析。结果表明:multi-scale KPLS顾及建模样本的多尺度特性,其预测精度明显高于其他预测模型;multi-scale KPLS有效地克服了各影响因素之间的多重共线性对预测结果的不利影响,具有较强的稳健性;multi-scale KPLS适用于多个因变量对多个自变量的概率积分法参数辨识问题,其建模参数均可自适应确定,在建模效率上优于RBF-NN和SVM。
出处
《岩石力学与工程学报》
EI
CAS
CSCD
北大核心
2011年第S2期3863-3870,共8页
Chinese Journal of Rock Mechanics and Engineering
基金
国家自然科学基金资助项目(40772191)
"十一五"国家科技支撑计划重点项目(2006BAC09B01)
关键词
采矿工程
概率积分法
偏最小二乘回归
多尺度核
模糊聚类
地表移动参数
开采沉陷
mining engineering
probability-integral method
partial least-square(PLS)
multi-scale kernel
fuzzy clustering
parameters of surface movement
mining subsidence
