熵权遗传算法及极限学习机地铁隧道沉降预测

摘要：

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：地铁隧道、沉降预测、极限学习机、熵权、遗传算法、影响因素

所属期刊栏目：41

分类号：U456.3(隧道工程)

资助基金：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

在线出版日期：2016-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：71-75