基于组合核函数的高斯过程边坡角智能设计
  • 【DOI】

    10.3969/j.issn.1000-7598.2010.03.028

  • 【摘要】

    高斯过程(GP)是近年来发展迅速的一种全新学习机.与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点.结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数(ARD)引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算... 展开>>高斯过程(GP)是近年来发展迅速的一种全新学习机.与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点.结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数(ARD)引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析.结果表明:在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径. 收起<<

  • 【作者】

    徐冲  刘保国  刘开云  郭佳奇 

  • 【作者单位】

    北京交通大学

  • 【刊期】

    岩土力学 ISTIC EI PKU 2010年3期

  • 【关键词】

    边坡工程  高斯过程  边坡角设计  机器学习  智能预测  slope engineering  Gaussian process  slope angle design  machine learning  intelligent prediction 

  • 【基金项目】

    国家863计划 北京交通大学校科研基金项目(No.2006XM025)资助课题