期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于时间序列与GWO-ELM模型的滑坡位移预测 被引量：23
1
作者 廖康 吴益平 +2 位作者 李麟玮 苗发盛 薛阳 《中南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2019年第3期619-626,共8页
针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期... 针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期性位移,并运用稳健加权最小二乘法的三次多项式对趋势性位移进行拟合,以此得到周期性位移。其次,对位移监测数据进行分析,选取周期性位移的影响因子,分别通过GWO-ELM、极限学习机(ELM)和灰狼优化的支持向量机(GWO-SVM)模型对周期性位移进行预测。研究结果表明:GWO-ELM预测模型具有良好的泛化能力,能有效减少人为误差,在预测精度上,明显优于ELM和GWO-SVM模型。基于时间序列与GWO-ELM位移预测模型具有较高的预测精度和泛化能力,是一种有效的滑坡位移预测方法。 展开更多
关键词 滑坡位移预测 时间序列 gwo-elm模型 趋势性位移 周期性位移
下载PDF
基于时频特征融合与GWO-ELM的棒控电源早期故障状态辨识方法 被引量：1
2
作者 唐圣学 马晨阳 勾泽 《仪器仪表学报》 EI CAS CSCD 北大核心 2023年第1期121-130,共10页
针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形... 针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形形态与早期故障模式。然后,构建融合电流上升时间、均方根-差分和和小波包奇异熵的故障时频特征,分析了特征的可区分性。进而,采用GWO算法进行ELM分类器参数择优,建立GWO-ELM模型实现PWE早期故障状态的辨识,以提高辨识精度。最后,通过开展不同特征组合和辨识模型比对试验,结果表明所提方法能有效实现棒控电源早期故障识别诊断,且平均辨识准确度可达98.86%。 展开更多
关键词 棒控电源 早期故障 状态辨识 时域特征 小波包奇异熵 gwo-elm模型
下载PDF
基于三角模糊数与GWO-ELM模型的公路隧道改扩建方案优选研究 被引量：1
3
作者 叶连超 何江陵 +2 位作者 李科 邱志雄 江星宏 《现代隧道技术》 CSCD 北大核心 2023年第3期55-64,共10页
解决由于交通量增长造成在役隧道通行能力不足的重要途经仍是对既有隧道进行改扩建,而隧道改扩建方案的选择是一个多属性决策问题,属性之间有很强的模糊性和不确定性。为确保隧道改扩建方案选择的科学性与合理性,提出一种新的隧道改扩... 解决由于交通量增长造成在役隧道通行能力不足的重要途经仍是对既有隧道进行改扩建,而隧道改扩建方案的选择是一个多属性决策问题,属性之间有很强的模糊性和不确定性。为确保隧道改扩建方案选择的科学性与合理性,提出一种新的隧道改扩建方案优选模型。通过归纳国内高速公路隧道不同改扩建方案的常见型式,分析影响高速公路隧道改扩建的因素,建立隧道改扩建方案优选的评价指标体系,以国内近30年的隧道改扩建数据为依托,提出基于三角模糊数的GWO-ELM隧道改扩建方案优选模型。结果表明:利用GWO算法优化ELM模型能充分发挥ELM泛化性能强、学习速度快的优势,显著提高了改扩建方案优选模型的精度;GWO-ELM模型在结合三角模糊数以后,方案优选能力明显要优于普通的GWO-ELM模型,具有较好的小样本处理能力和较高优选精度,是一种有效的隧道改扩建方案优选模型。 展开更多
关键词 公路隧道 改扩建 方案优选 三角模糊数 gwo-elm模型
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部