文献

J-GLOBAL ID：201702248819341059   整理番号：17A0294374

WAとELM-OSの間の地滑り変位予測モデルを結合した。【JST・京大機械翻訳】

PREDICTIVE MODELING OF LANDSLIDE DISPLACEMENT BY WAVELET ANALYSIS AND MULTIPLE EXTREME LEARNING MACHINES

著者 (4件)： Li Huajin (State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology) ,  Xu Qiang (State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology) ,  He Yusen (Intelligent Systems Laboratory, Seamans Center, Mechanical and Industrial Engineering, the University of Iowa) ,  Wei Yong (State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology)
資料名： Gongcheng Dizhi Xuebao  (Gongcheng Dizhi Xuebao)
巻： 24  号： 5  ページ： 721-731  発行年： 2016年 
JST資料番号： C2683A  ISSN： 1004-9665  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 地滑りの累積変位モニタリング曲線はしばしば複雑な非線形成長特性を示し、これに対して、いくつかの関連する予測モデルを構築したが、従来の予測モデルには多くの欠点がある。本論文では,ウェーブレット関数(ウェーブレット ANALYSIS,WA),ELMとOS-ELMに基づいて,WAとの結合を提案し,OS-ELMを予測する方法を提案した。まず第一に,この方法はウェーブレット関数に基づいて,地滑りの累積変位を内部地質条件の影響を受ける傾向項と外部影響因子の影響を受ける周期項に分解する。次に,ELMとOS-ELMに基づいて,トレンド項と周期項を予測した。最終的に,累積的変位の予測値を得るために,傾向項と周期の予測値を重ね合わせる。結果により、ウェーブレット関数により得られたトレンド項は良好な傾向を示し、周期項も良好な周期性を示した。シグモイド方程式を核関数とし、隠れ層ニューロンの個数が33のELMモデルは正確かつ効率的にトレンド項を予測することができ、RBF方程式を核関数とし、隠れ層ニューロンの個数が100のOS-ELMモデルは正確かつ効率的に周期項を予測することができる。累積変位予測データのRMSEはそれぞれ3と-であり、予測結果は比較的に良く、地すべり変位予測領域に一定の役割を果たすことができる。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 波束 ,  *地滑り ,  地質 ,  核関数 ,  *予測モデル ,  ニューロン
準シソーラス用語： 隠れ層 ,  周期性 ,  予測値 ,  影響因子 , 【Automatic Indexing@JST】

著者キーワード (6件)： Landslide cumulative displacement ,  Nonlinear curve ,  Displacement prediction ,  Wavelet analysis ,  ELM ,  OS-ELM

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 地滑り ,  変位 ,  予測モデル