期刊文献+

基于混合核RVM理论的大坝变形监控优化模型 被引量:2

Dam Deformation Monitoring Optimization Model Based on Hybrid Kernel RVM Theory
下载PDF
导出
摘要 鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。 Kernel function has important influence on the performance of the RVM model for evaluation of dam safety monitoring. The mixed kernel function which is composed of local and gIobal kernel kernels is used to increase the fitting accuracy of model for dam safety modeling. The optimization parameters of RVM model are sought by an improved parti- cle swarm algorithm. The results of instances show that the hybrid kernel RVM optimization model can enhance predic- tion accuracy to some extent.
作者 向杰
出处 《水电能源科学》 北大核心 2015年第5期59-61,89,共4页 Water Resources and Power
基金 重庆市饮用水源地(水库)水资源涵养及水生态修复植物配置规划项目(渝水科201306)
关键词 大坝安全 相关向量机 混合核函数 改进粒子群算法 dam safety RVM hybrid kernel/unction improved particle swarm optimization
  • 相关文献

参考文献11

二级参考文献57

  • 1方卫华.人工神经网络模型用于水电能源科学的问题探讨[J].水电能源科学,2004,22(3):71-74. 被引量:9
  • 2张喆,李燕.混合微粒群算法在非线性约束优化中的应用[J].计算机应用与软件,2004,21(8):114-115. 被引量:5
  • 3焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1992..
  • 4TZIKAS D, LIKAS A, GALATSANOS N. Sparse Bayesian Modeling With Adaptive Kernel Learning[J]. IEEE transactions on neural networks/a publication of the IEEE Neural Networks Council, 2009.
  • 5MACKAY D. The evidence framework applied to classification networks[J], neural computation, 1992,4 (5), 720 - 736.
  • 6TIPPING M, FAUL A. Fast marginal likelihood maximisation for sparse Bayesian models[A]. (Citeseer) ,2003.
  • 7TZIKAS D, LIKAS A, GALATSANOS N. Large scale multikernel RVM for object detection[J]. Lecture notes in computer science, 2006. 3955:389-395.
  • 8CAMPS VALLS G, MARTNEZ RAMN M, ROJO LVAREZ J L, et al. Nonlinear System Identification With Composite Relevance Vector Machines[J]. IEEE signal processing letters, 2007, 14 : 279- 298.
  • 9VAPNIK V N. Statistical Learning Theory[M]. New York, 1998.
  • 10ROBERT C, CASELLA G. Monte Carlo statistical methods [M]. Springer Verlag,2004.

共引文献168

同被引文献11

引证文献2

二级引证文献8

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部