典型文献
基于变量筛选优化极限学习机的混凝土坝变形预测模型
文献摘要：
传统的统计模型泛化能力较弱且容易引入高维变量,这将对基于神经网络预测模型的输出结果产生负面影响,同时增加了过拟合风险.因此,有必要建立一个具有适当维度的数据驱动模型,以实现对大坝变形的准确监控.选用极限学习机(ELM)作为基础预测模型,提出基于平均影响值MIV-ELM模型的变量筛选法,以消除初始变量集中的冗余信息,从而降低模型复杂度,提高预测精度.分析结果表明,与传统预测模型相比,HST-MIV-ELM不仅具有最高的预测精度和预测性能,同时也有较强的可拓展性,为大坝安全监控系统的构建提供了可靠的理论基础.
文献关键词：
混凝土坝变形预测;变量筛选;极限学习机;平均影响值;反向逐变量剔除法
中图分类号：
作者姓名：
曹恩华;包腾飞;胡绍沛;袁荣耀;鄢涛
作者机构：
河海大学 水文水资源与水利工程科学国家重点实验室,南京 210098;河海大学 水资源高效利用与工程安全国家工程研究中心,南京 210098;河海大学 水利水电学院,南京 210098;三峡大学 水利与环境学院,湖北 宜昌 443002
文献出处：
引用格式：
[1]曹恩华;包腾飞;胡绍沛;袁荣耀;鄢涛-.基于变量筛选优化极限学习机的混凝土坝变形预测模型)[J].长江科学院院报,2022(07):59-65
A类：
反向逐变量剔除法
B类：
变量筛选,筛选优化,化极,极限学习机,混凝土坝变形预测,统计模型,模型泛化,泛化能力,高维变量,神经网络预测模型,输出结果,过拟合,数据驱动模型,大坝变形,ELM,平均影响值,MIV,冗余信息,模型复杂度,传统预测模型,HST,预测性能,可拓,拓展性,大坝安全监控,安全监控系统
AB值：
0.33388
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
