[1] 张豪,许四法.基于经验模态分解和遗传支持向量机的多尺度大坝变形预测[J].岩石力学与工程学报,2011,30(S2):3681-3688. [2] 王新洲,范千,许承权,等.基于小波变换和支持向量机的大坝变形预测[J].武汉大学学报(信息科学版),2008(5):469-471. [3] 黄军胜,黄良珂,刘立龙,等.基于EMD-FOA-BP神经网络的大坝变形预测研究[J].水力发电,2019,45(2):106-110. [4] 刘小生,于良.改进的SVR在大坝边坡位移预测中的应用[J].测绘通报,2018(6):122-125. [5] 刘超,唐锡彬,邓冬梅,等.基于支持向量机回归的岩体变形模量预测[J].地质科技情报,2018,37(5):275-280. [6] 徐锋,王崇倡,张飞.粒子群-BP神经网络模型在大坝变形监测中的应用[J].测绘科学,2012,37(4):181-183. [7] HUANG G, HUANG G B, SONG S, et al. Trends in extreme learning machines:a review[J]. Neural Networks, 2015, 61:32-48. [8] KANG F,LIU J,LI J,et al. Concrete dam deformation prediction model for health monitoring based on extreme learning machine[J].Structural Control and Health Monitoring, 2017,24(10):1-11. [9] 胡德秀,屈旭东,杨杰,等.基于M-ELM的大坝变形安全监控模型[J].水利水电科技进展,2019,39(3):75-80. [10] 李明军,王均星,王亚洲.基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J].天津大学学报(自然科学与工程技术版),2019,52(11):1136-1144. [11] 陈艳茹.基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用[J].隧道建设(中英文),2018,38(6):941-947. [12] 徐睿,梁循,齐金山,等.极限学习机前沿进展与趋势[J].计算机学报,2019,42(7):1640-1670. [13] CHENG J T, XIONG Y. Application of extreme learning machine combination model for dam displacement prediction[J]. Procedia Computer Science,2017,107. [14] YANG X S. A new metaheuristic bat-inspired algorithm[J].Computer Knowledge & Technology,2010,284:65-74. [15] YANG X S,GANDOMI A H. Bat algorithm:a novel approach for global engineering optimization[J]. Engineering Computations,2012,29(5-6):464-483. [16] 许德刚,赵萍.蝙蝠算法研究及应用综述[J].计算机工程与应用,2019,55(15):1-12. [17] SAKKAYAPHO P. A hybrid bat algorithm with natural-inspired algorithms for continuous optimization problem[J].Artificial Life and Robotics,2016,21(1):112-119. [18] 翁健高,白琳,易向阳,等.基于遗传算法的蝙蝠优化算法研究[J].广西大学学报(自然科学版),2017,42(3):1137-1144. [19] 张立亭,徐志宽,罗亦泳,等.进化多核相关向量机的大坝变形预测[J].测绘科学,2017,42(7):188-192. [20] 安慧琳,李艳玲,曾贝佳,等.重力坝挠度多测点空间模型研究[J].水电能源科学,2016(11):77-81. [21] 邢尹,陈闯,刘立龙,等.改进遗传算法和BP神经网络的大坝变形预测[J].计算机工程与设计,2018,39(8):2628-2631. |