改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

doi:10.13474/j.cnki.11-2246.2021.0276

测绘通报 ›› 2021, Vol. 0 ›› Issue (9): 68-73.doi: 10.13474/j.cnki.11-2246.2021.0276

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

陈优良^1,2, 陈洋¹, 肖钢³, 陶剑辉¹

1. 江西理工大学土木与测绘工程学院, 江西赣州 341000;
2. 中南大学地球科学与信息物理学院, 湖南长沙 410000;
3. 赣州市城乡规划设计研究院, 江西赣州 341000

收稿日期:2020-09-21 修回日期:2021-04-21 出版日期:2021-09-25 发布日期:2021-10-11
作者简介:陈优良(1978-),男,硕士,副教授,主要研究方向为GIS技术与应用、机器学习。E-mail:gis_public@163.com
基金资助:
江西省教育厅科技项目（GJJ170522）；国家大坝中心开放基金项目（CX2019B07）

Dam deformation prediction model based on IBA-ELM model

CHEN Youliang^1,2, CHEN Yang¹, XIAO Gang³, TAO Jianhui¹

1. School of Civil and Surveying & Mapping Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, China;
2. School of Geosci-ences and Info-physics, Central South University, Changsha 410000, China;
3. Urban Planning Desion Institute of Ganzhou, Ganzhou 341000, China

Received:2020-09-21 Revised:2021-04-21 Online:2021-09-25 Published:2021-10-11

摘要/Abstract

摘要： 针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题，本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值，并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例，通过对某地水库大坝监测数据预测分析，验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价，3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm，IBA-ELM模型的预测精度高于另外2种模型，表明IBA-ELM模型能有效提高大坝变形预测能力。

关键词: 大坝变形, 极限学习机, 蝙蝠算法, 遗传算法, 变异因子

Abstract: Aiming at the problems of strong nonlinear relationship in dam deformation monitoring data and low precision of traditional dam prediction model, a dam deformation prediction model based on improved bat algorithm (IBA) and optimized extreme learning machine (ELM) is proposed by using the improved bat algorithm to select the optimal parameters as the connection weights and thresholds of the extreme learning machine(IBA-ELM). The IBA-ELM model is applied to an engineering case, and the accuracy of IBA-ELM, BA-ELM and GA-ELM model prediction results are evaluated through the prediction and analysis of dam monitoring data of a reservoir. The average absolute errors between predicted values and measured values are 1.178 3, 0.459 8 and 0.335 6, IBA-The prediction accuracy of ELM model is higher than the other two models, which indicates that IBA-ELM model can effectively improve the prediction ability of dam deformation and has certain application value.

Key words: dam deformation, extreme learning machine, bat algorithm, genetic algorithm, variation factor

中图分类号:

P258

陈优良, 陈洋, 肖钢, 陶剑辉. 改进蝙蝠算法优化极限学习机的大坝变形预测模型分析[J]. 测绘通报, 2021, 0(9): 68-73.

CHEN Youliang, CHEN Yang, XIAO Gang, TAO Jianhui. Dam deformation prediction model based on IBA-ELM model[J]. Bulletin of Surveying and Mapping, 2021, 0(9): 68-73.

参考文献

[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.

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

Dam deformation prediction model based on IBA-ELM model

可视化

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]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[2]	王艳, 祁萌. 基于GA-SIFT算法的无人机航拍图像实时拼接[J]. 测绘通报, 2021, 0(8): 28-32,47.
[3]	杨恒, 岳建平, 周钦坤. 利用SVM与ARIMA组合模型进行大坝变形预测[J]. 测绘通报, 2021, 0(4): 74-78.
[4]	周贻港. 利用三维激光点云重构建筑物模型[J]. 测绘通报, 2020, 0(3): 109-112.
[5]	李国远, 王健, 刘秀涵, 孙文潇. 改进的自适应遗传算法支持下点云与BIM模型配准[J]. 测绘通报, 2020, 0(2): 160-162.
[6]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[7]	李娟, 朱勤东. 一种顾及道路影响的点要素注记配置遗传禁忌搜索算法[J]. 测绘通报, 2019, 0(2): 80-85.
[8]	李世友, 王奉伟, 沈云中. 大坝变形时间序列的奇异谱分析[J]. 测绘通报, 2018, 0(9): 64-68.
[9]	雷宇斌, 朱善宽, 郭云开, 李丹娜, 刘磊, 刘宁. 极限学习机辅助下路域植被叶面积指数的反演[J]. 测绘通报, 2018, 0(9): 82-86.
[10]	朱顺涛, 卢先领, 于丹石. 一种基于流形正则化的半监督指纹定位算法[J]. 测绘通报, 2018, 0(2): 11-15,20.
[11]	胡冬翠, 谢福鼎, 杨俊, 张永. 一种基于空间信息和遗传算法的半监督高光谱图像分类方法[J]. 测绘通报, 2018, 0(10): 22-26.
[12]	牛颖超, 周忠发, 王历, 王小宇. GABA算法的遥感图像分类[J]. 测绘通报, 2018, 0(1): 62-66,71.
[13]	黄凯, 陈渠森, 鞠博晓. GNSS自动化监测系统的大坝变形预测方法研究[J]. 测绘通报, 2018, 0(1): 147-150.
[14]	范兆炜, 李子扬, 周增光, 李传荣. 对等网络遥感影像瓦片资源遗传选择算法[J]. 测绘通报, 2017, 0(9): 46-50.
[15]	何琦敏, 王坚, 敖佳敏, 余航, 徐博, 杨海潮. IAGA模型支持下的灾区基站组网优化[J]. 测绘通报, 2017, 0(8): 7-12.