基于高斯过程回归的变形智能预测模型及应用
岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析.考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型(GPR-TIPM);将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合.实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想.
变形监测、高斯过程回归、智能预测、时间序列、矿山边坡
43
P258(专业测绘)
The Natural Science Foundation of Shanxi Province,No.201701D121014;the National Natural Science Foundation of China,No.41371373.山西省自然科学基金201701D121014;国家自然科学基金41371373
2018-03-26(万方平台首次上网日期,不代表论文的发表时间)
共7页
248-254