典型文献
基于多簇回声状态网络的边坡变形预测
文献摘要：
由于边坡失稳是一个循序渐进的过程,利用时间序列分析的方法来预测边坡未来变形,有利于实现边坡的稳定性评价.相比于传统的时间序列分析方法,多簇回声状态网络(MCESN)采用动态储备池将输入信号转换为高维状态向量,选择一组最优的状态向量来表示与任务相关的输入动态.为了验证模型的有效性,采用差分整合移动平均自回归模型(ARIMA)、回归支持向量机(SVM)、长短期记忆网络(LSTM)和传统的回声状态网络(ESN)以及MCESN对三峡船闸高边坡位移进行建模与分析,通过对比均方根误差(RMSE)和复相关系数,发现MCESN的预测精度和模型泛化能力更好.结果表明,MCESN在边坡变形预测具有良好的应用前景.
文献关键词：
边坡变形;多聚类;回声状态网络;时间序列预测;位移预测
中图分类号：
作者姓名：
华莎;袁于思;易灿灿;张磊
作者机构：
中铁武汉电气化局集团第一工程有限公司,湖北武汉430074;武汉科技大学,湖北武汉430081
文献出处：
引用格式：
[1]华莎;袁于思;易灿灿;张磊-.基于多簇回声状态网络的边坡变形预测)[J].水利与建筑工程学报,2022(02):108-112
A类：
MCESN,回归支持向量机
B类：
多簇,回声状态网络,边坡变形,变形预测,边坡失稳,循序渐进,时间序列分析,来变,稳定性评价,信号转换,高维,状态向量,验证模型,差分整合移动平均自回归模型,ARIMA,长短期记忆网络,三峡船闸,高边坡位移,建模与分析,RMSE,复相关系数,模型泛化,泛化能力,多聚类,时间序列预测,位移预测
AB值：
0.293506
相似文献
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。
