熵权遗传算法及极限学习机地铁隧道沉降预测Metro tunnel settlement prediction based on entropy weight GA-ELM model
高彩云,崔希民,高宁
摘要(Abstract)：
针对目前的地铁隧道沉降变形预测方法忽略了对沉降变形影响因素的综合协调考虑这一问题,该文将遗传算法(GA)结合极限学习机(ELM)的方法引入地铁隧道沉降变形预测。该方法借助最大信息熵理论,充分挖掘地铁隧道沉降主要影响因素与沉降量间的信息特征,并将遗传算法与极限学习机相耦合,利用遗传算法的全局搜索能力获取ELM神经网络优化的初始权值和阈值,形成熵权遗传算法-极限学习机模型,并编制相应计算程序。采用该模型对西安某地铁隧道沉降变形进行预测,并与遗传算法-极限学习机、极限学习机、传统的BP神经网络预测结果进行比较,结果表明熵权遗传算法-极限学习机模型与实测值吻合更好,预测结果更稳定。
关键词(KeyWords)： 地铁隧道;沉降预测;极限学习机;熵权;遗传算法;影响因素
基金项目(Foundation): 国家自然科学基金项目(51474217;41071328);; 矿山空间信息技术国家测绘地理信息局重点实验室基金项目(KLM201306)
作者(Author): 高彩云,崔希民,高宁
DOI: 10.16251/j.cnki.1009-2307.2016.02.015
参考文献(References)：
- [1]杨茜.BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用[J].北京工业大学学报,2011,37(1):92-97.
- [2]龙熙华,贾宁娟,万军.基于ANP-BP模型地铁隧道沉降预测研究[J].现代隧道技术,2013,50(5):105-111.
- [3]谭鹏,曹平.基于灰色关联支持向量基的地表沉降预测[J].中南大学学报:自然科学版,2012,43(2):632-637.
- [4]张明希,许捍卫,葛文.基于小波分析与支持向量机的地铁隧道沉降预测[J].工程勘察,2013(12):57-60.
- [5]刘开云,方昱,刘保国,等.隧道围岩变形预测的进化高斯过程回归模型[J].铁道学报,2011,33(12):101-106.
- [6]程宏波,何正友,胡海涛,等.高铁接触网健康状态的熵权多信息综合评估[J].铁道学报,2014,36(3):19-23.
- [7]郝少峰,方源敏,杨建文,等.基于熵权法的组合模型在滑坡变形预测中的应用[J].测绘工程,2014,23(7):62-64.
- [8]HUANG G B,ZHU Q Y,SIEW C K.Universal approximation using incremental constructive feedforward networks with random hidden nodes[C]//IEEE Transaction on Neural Networks,2006,17(4):879-892.
- [9]王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013:43-255.
- [10]高彩云,高宁.基于时序AR(P)-RBF神经网络的变形建模与预测[J].测绘科学,2013,38(6):120-122.
- [11]HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70(1/2/3):489-501.