资源描述：
《WA联合ELM与OS-ELM的滑坡位移预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、JournalofEngineeringGeology工程地质学报1004-9665/2016/24(5)-0721-11DOI：10.13544/j.cnki.jeg.2016.05.001WA联合ELM与OS-ELM的滑坡位移预测模型李骅锦®许强®何雨森®魏勇®(①地质灾害防治与地质环境保护国家重点实验室（成都理工大学）成都610059)(②爱荷华大学智能系统研究实验室，美国爱荷华州爱荷华城52242)摘要滑坡累积位移监测曲线往往呈现出复杂的非线性增长特性，对此建立了不少相关的预测模型,而以往的预测模型存在着许多不足。本文基于小波函数
2、(WaveletAnalysis,WA),ELM与0S-ELM,提出一种名为WA联合ELM、0S-ELM的预测方法。首先,该方法基于小波函数，将滑坡累积位移分解成受内部地质条件影响的趋势项和受外部影响因子影响的周期项；然后，基于ELM与0S-ELM分别对趋势项和周期项进行预测；最后将趋势项和周期项的预测值叠加得到累积位移的预测值。结果表明，小波函数得到的趋势项展现出良好的趋势性,而周期项也展现出良好的周期性；WSgmmd方程为核函数，隐含层神经元个数为33的ELM模型能准确高效对趋势项进行预测，而以RBF方程为核函数，隐含层神经元个数为1
3、00的0S-ELM模型能准确高效对周期项进行预测；累积位移预测数据的RMSE分别为0.1423和0.1315,预测结果相对较好,能够在滑坡位移预测领域发挥一定的作用。关键词滑坡累积位移非线性特性位移预测小波函数ELM0S-ELM中图分类号:P642.22文献标识码:APREDICTIVEMODELINGOFLANDSLffiEDISPLACEMENTBYWAVELETANALYSISANDMULTIPLEEXTREMELEARNINGMACfflNESLIHuajin①XUHEYuscn②WEIYong®((X)StateKeyLabor
4、atoryofGeohazardPreventionandGeoenvironmentProtection,ChengduUniversityofTechnology,Chengdu610059)((^IntelligentSystemsLaboratory,SeamansCenter,MechanicalandIndustrialEngineering,theUniversityofIowa,IowaCity52242)AbstractThecurvelandslidecumulativedisplacementisusuallynon
5、linear.Hence,itischallengingtobuildpredictivemodelswithlesserror.Inthispaper,weproposeanewmethodologyofembeddingwaveletanalysiswithbasicextremelearningmachine(ELM)andonlinesequentialextremelearningmachine(OS-ELM)topredictthecumulativedisplacement.Firstly,bywavelettransfor
6、mation,thecumulativefunctionofdisplacementisdiscretizedintoperiodicdisplacementandtrenddisplacement.Secondly,basicELMandOS-ELMareselectedtopredicttheperiodicdisplacementandtrenddisplacement.Lastly,thecumulativedisplacementfunctioniscomputedbyensemblingthepredictedperiodic
7、andtrenddisplacementvalues.ForbasicELM,asigmoidfunctionisselectedasthekernelfunctionandasinglehiddenlayerwith33nodesperformsbest.ForOS-ELM,thepredictionerrorreachesitsminimumwith100hiddennodeswhentheRBFfunctionisselectedasthekernelfunction.RMSEforELMis0.1423andforOS-ELMis
8、0.1315.Thismethodologywithhighpredictiveaccuracyperformsbetterincomparison*收稿日期：2016-05-28;收到修改稿
