文献

J-GLOBAL ID：201802216810009243   整理番号：18A1544814

EMD-PSO-BPネットワークモデルに基づくダム変形予測【JST・京大機械翻訳】

Dam deformation forecast based on EMD-PSO-BP neural network model

著者 (6件)： Qin Xuyuan (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004) ,  Liu Lilong (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004) ,  Chen Jun (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004) ,  Chen Fade (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004) ,  Huang Liangke (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004) ,  Xie Shaofeng (桂林理工大学桂林理工大学測絵地理信息学院,广西桂林541004;桂林理工大学广西空間信息与測絵重点実験室,广西桂林541004)
資料名： Guilin Ligong Daxue Xuebao  (Guilin Ligong Daxue Xuebao)
巻： 37  号： 4  ページ： 641-646  発行年： 2017年 
JST資料番号： C2064A  ISSN： 1674-9057  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： ダム変形の非定常性と非線形特性のため,経験的モード分解(EMD)と粒子群最適化(PSO)をBPニューラルネットワークに導入し,EMD-PSO-BPモデルを確立した。このモデルでは,複雑なダム変形データを,EMDによって有限の比較的安定な成分に分解し,そして,BPニューラルネットワークを,各成分のモデリング予測のために,粒子群最適化(PSO)によって最適化した。重合せ構造の各成分の予測値を最終予測の結果とする。実験結果は,EMD-PSO-BPモデルが良好な非線形マッピング能力,学習能力,および自己適応能力を持ち,変形予測精度を効果的に改善できることを示した。その予測精度はBPニューラルネットワークモデルより明らかに優れており、PSO-BPモデルより向上した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *ダム ,  最適化 ,  モデリング ,  重合せ ,  *予測 ,  *モデル
準シソーラス用語： 予測精度 ,  自己適応 ,  学習能力 ,  非線形マッピング ,  予測値 ,  逆伝播ニューラルネットワーク ,  粒子群最適化 ,  非定常性 ,  *ネットワークモデル , 【Automatic Indexing@JST】

著者キーワード (4件)： deformation prediction ,  EMD ,  PSO ,  BP neural network

分類 (1件)： ネットワーク法  (KA03040X)

タイトルに関連する用語 (3件)： モデル ,  ダム ,  予測