利用人工鱼群算法优化高斯过程模型及应用分析

doi:10.13474/j.cnki.11-2246.2018.0031

测绘通报 ›› 2018, Vol. 0 ›› Issue (1): 157-160,164.doi: 10.13474/j.cnki.11-2246.2018.0031

利用人工鱼群算法优化高斯过程模型及应用分析

邱小梦^1,2, 周世健³, 王奉伟⁴, 欧阳亮酉¹

1. 东华理工大学测绘工程学院, 江西南昌 330013;
2. 流域生态与地理环境监测国家测绘地理信息局重点实验室, 江西南昌 330013;
3. 南昌航空大学, 江西南昌 330063;
4. 同济大学测绘与地理信息学院, 上海 200092

收稿日期:2017-04-19 修回日期:2017-06-05 出版日期:2018-01-25 发布日期:2018-02-05
通讯作者: 周世健。E-mail:408608628@qq.com E-mail:408608628@qq.com
作者简介:邱小梦(1991-),女,硕士生,主要研究方向为变形监测数据处理。E-mail:1415519128@qq.com
基金资助:
国家自然科学基金（41374007）；江西省研究生创新基金（YC2016-S292）

Optimization of Gaussian Process Model Based on Artificial Fish School Algorithm and Its Application Analysis

QIU Xiaomeng^1,2, ZHOU Shijian³, WANG Fengwei⁴, OUYANG Liangyou¹

1. Faculty of Geomatics, East China University of Technology, Nanchang 330013, China;
2. Key Laboratory of Watershed Ecology and Geographical Environment Monitoring, NASMG, Nanchang 330013, China;
3. Nanchang Hangkong University, Nanchang 330063, China;
4. College of Surveying and Geoinformatics, Tongji University, Shanghai 200092, China

Received:2017-04-19 Revised:2017-06-05 Online:2018-01-25 Published:2018-02-05

摘要/Abstract

摘要：

基于高斯过程利用传统共轭梯度法搜索超参数，存在对初始值依赖性强、获得局部最优解的不足。本文采用人工鱼群算法对超参数进行智能寻优，建立了基于人工鱼群算法的高斯过程模型对变形体形变进行预测分析。通过隧道和基坑两个工程实例计算比对分析，NN、SE和RQ 3种核函数中NN核函数的预测效果最好，平均相对误差分别为0.69%和1.06%。结果表明超参数优化模型的预测精度得到了较大的提高，改善了高斯过程算法本身存在的超参数求解方面的不足，效果明显。

关键词: 人工鱼群算法, 高斯过程, 滚动预测法, 变形监测

Abstract:

Based on the Gaussian process,the traditional conjugate gradient method is used to search the hyper-parameters, which has the disadvantages of strong dependence on the initial value and obtain local optimal solution. Artificial fish swarm algorithm is used to optimize the hyper-parameters intelligently, and the Gaussian process model based on the artificial fish swarm algorithm is used to predict and analysize the deformation of deformable body. Through the tunnel and foundation pit examples to compare the calculated results, NN kernel function is the best predictor of NN, SE and RQ, the average relative error is 0.69% and 1.06%. The results show that the prediction accuracy of the hyper-parameters optimization model are greatly improved, and the hyper-parameters solving of the Gaussian process algorithm themselves are improved and the effect is obvious.

Key words: artificial fish swarm algorithm, Gaussian process, rolling prediction method, deformation monitoring

中图分类号:

P208

邱小梦, 周世健, 王奉伟, 欧阳亮酉. 利用人工鱼群算法优化高斯过程模型及应用分析[J]. 测绘通报, 2018, 0(1): 157-160,164.

QIU Xiaomeng, ZHOU Shijian, WANG Fengwei, OUYANG Liangyou. Optimization of Gaussian Process Model Based on Artificial Fish School Algorithm and Its Application Analysis[J]. 测绘通报, 2018, 0(1): 157-160,164.

参考文献

[1] 王卫东,何晖.回归分析在隧道拱顶沉降监测中的应用[J].科技信息,2011(7):271-272.
[2] 袁金荣,赵福勇.基坑变形预测的时间序列分析[J].土木工程学报,2001,34(6):55-59.
[3] 潘国荣,王穗辉.深基坑事故隐患的灰色预测[J].同济大学学报(自然科学版),1999,27(3):319-322.
[4] 陶津,刘燕,贺可强.神经网络在深基坑工程变形预测中的应用研究[J].青岛理工大学学报,2005,26(6):39-42.
[5] 高永刚,岳建平,石杏喜.支持向量机在变形监测数据处理中的应用[J]. 水电自动化与大坝监测,2005,29(5):36-39.
[6] 李晓蕾,刘睿,田永瑞,等. 基于灰色预测的空间多点残差修正模型研究[J]. 大地测量与地球动力学,2010,30(5):125-128.
[7] 霍玉华. 隧道围岩变形量预测的灰色模型应用比较研究[J]. 北京交通大学学报,2006,30(4):42-45.
[8] 肖智旺,钟登华. 基于RBF神经网络算法的连拱隧道围岩变形预测方法研究[J]. 中国工程科学,2008,10(7):77-81.
[9] 熊志化,张继承,邵惠鹤. 基于高斯过程的软测量建模[J].系统仿真学报,2005,17(4):793-794,800.
[10] WILLIAMS C K,RASMUSSEN C E.Gaussian Processes for Regression[J]. Advances in Neural Information Processing Systems,1996,8(6):514-520.
[11] 苏国韶,燕柳斌,张小飞,等. 基坑位移时间序列预测的高斯过程方法[J]. 广西大学学报(自然科学版),2007,32(2):223-226.
[12] 罗亦泳,姚宜斌,张立亭,等. 基于高斯过程的GPS高程转换模型[J].测绘通报,2015(11):11-14.
[13] 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.
[14] 徐冲,刘保国,刘开云,等. 基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型[J]. 岩土力学,2011,32(6):1669-1675.
[15] 何志昆,刘光斌,赵曦晶,等. 高斯过程回归方法综述[J]. 控制与决策,2013,28(8):1121-1129,1137.
[16] 李晓磊. 一种新型的智能优化方法——人工鱼群算法[D].杭州:浙江大学,2003.
[17] 刘开云,刘保国,徐冲. 基于遗传-组合核函数高斯过程回归算法的边坡非线性变形时序分析智能模型[J]. 岩石力学与工程学报,2009,28(10):2128-2134.
[18] 雷鸣. 基于高斯过程的变形预测算法研究[D].南昌:东华理工大学,2013.
[19] 尹晖,周晓庆,张晓鸣. 非等间距多点变形预测模型及其应用[J]. 测绘学报,2016,45(10):1140-1147.

利用人工鱼群算法优化高斯过程模型及应用分析

Optimization of Gaussian Process Model Based on Artificial Fish School Algorithm and Its Application Analysis

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[2]	潘东峰, 杨超, 吴一同, 谭钿, 张德林. 利用TLS技术进行地铁隧道断面提取及变形监测分析[J]. 测绘通报, 2022, 0(4): 130-133.
[3]	熊春宝, 庞红星, 王猛, 史青法. 基于ICEEMDAN的多滤波算法在超高层动态变形监测中的应用[J]. 测绘通报, 2022, 0(3): 152-156.
[4]	李培现, 杨中辉, 阎跃观, 袁德宝, 赵艳玲, 范德芹. 基于Moodle的变形监测技术网络课程开发及应用[J]. 测绘通报, 2022, 0(2): 168-173.
[5]	闵星, 罗海涛, 柏文锋. 基于徕卡MS60与深度图像的变形监测研究[J]. 测绘通报, 2021, 0(9): 165-168.
[6]	郭献涛, 黄腾, 贾燕, 张荣春. 利用TLS技术与伪单点监测模式进行滑坡变形测量[J]. 测绘通报, 2021, 0(6): 106-111.
[7]	段伟, 王敏, 吴昊, 刘超. 基于LWR-Pettitt算法的GNSS变形信息的识别与预警[J]. 测绘通报, 2021, 0(5): 124-128,154.
[8]	曹发伟, 廖维谷. SBAS技术在矿区地面沉降监测中的应用[J]. 测绘通报, 2021, 0(3): 156-158,163.
[9]	倪飞, 王浩丞, 杨艺卓, 杨小波. 三维激光扫描技术在高速公路运行非接触式变形监测中的应用[J]. 测绘通报, 2021, 0(3): 164-166.
[10]	杨春宇, 任兴达, 江汇男, 袁岳, 王子林. 基于小波去噪的地铁变形组合预测模型分析[J]. 测绘通报, 2021, 0(10): 127-131.
[11]	王莉, 周佳薇, 王泓森, 蒋大鹏. 基于三维激光扫描技术的古塔变形监测[J]. 测绘通报, 2020, 0(7): 120-124,129.
[12]	陈建华. 融合主成分分析和局部邻域的平面点云去噪[J]. 测绘通报, 2020, 0(5): 47-50,68.
[13]	马自军, 谯生有, 闻道荣. 三维激光扫描仪在隧道工程施工中的应用[J]. 测绘通报, 2020, 0(3): 157-159.
[14]	马金玉, 龙四春, 童爱霞, 吴文豪, 祝传广. 复杂环境下地基SAR粗差探测及应用[J]. 测绘通报, 2020, 0(2): 43-48,54.
[15]	桑文刚, 黄黎明, 赵培华, 刘迎春, 卢凯. 伪卫星多路径效应分形特征及其削弱方法研究[J]. 测绘通报, 2020, 0(10): 58-62.