基于RBF-FCM-OLS的边坡稳定性评价方法
来源期刊:勘察科学技术2016年第6期
论文作者:李智翔 陈志坚
文章页码:1 - 21
关键词:RBF神经网络;模糊-C均值聚类算法;递归正交最小二乘法;稳定性评价;
摘 要:RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用。但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化。以122组边坡样本作为样本总体,其中1114组为训练样本,115122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构。将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度。该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性。
李智翔,陈志坚
河海大学地球科学与工程学院
摘 要:RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用。但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化。以122组边坡样本作为样本总体,其中1114组为训练样本,115122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构。将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度。该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性。
关键词:RBF神经网络;模糊-C均值聚类算法;递归正交最小二乘法;稳定性评价;