資源描述：
《aip-rbf預(yù)測(cè)模型及其在盾構(gòu)工程中的應(yīng)用研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、上海大學(xué)碩士學(xué)位論文AIP-RBF預(yù)測(cè)模型及其在盾構(gòu)工程中的應(yīng)用研究姓名：蔣華剛申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)指導(dǎo)教師：吳耿鋒20070101上海大學(xué)碩士學(xué)位論丈摘要機(jī)器學(xué)習(xí)是人工智能中最活躍、最具應(yīng)用潛力的領(lǐng)域之一，RBF網(wǎng)絡(luò)是一種高效的機(jī)器學(xué)習(xí)方法，能在任意精度下逼近任意非線性函數(shù)，同時(shí)具有優(yōu)秀的學(xué)習(xí)能力、泛化能力和訓(xùn)練速度快等優(yōu)點(diǎn)，經(jīng)常用于解決回歸、分類等問題，與前饋神經(jīng)網(wǎng)絡(luò)(如多層感知器網(wǎng)絡(luò))相比，RBF網(wǎng)絡(luò)可以很好地避免陷入局部極小值。但是，RBF網(wǎng)絡(luò)也有其缺點(diǎn)，如沒有現(xiàn)成的算法計(jì)
2、算隱層結(jié)構(gòu)，即隱層的節(jié)點(diǎn)數(shù)目和每一個(gè)隱層節(jié)點(diǎn)的位置。目前，已有一部分研究者使用模糊C均值聚類FCM(FuzzyC-Mean)計(jì)算RBF網(wǎng)絡(luò)的隱層，但是這種方法只能部分地解決上面的問題，即能夠確定隱層節(jié)點(diǎn)的中心位置，而無(wú)法確定隱層節(jié)點(diǎn)的數(shù)目。本文提出一個(gè)基于人工免疫原理的RBF網(wǎng)絡(luò)預(yù)測(cè)模型AIP-RBF(ArtificialImmunePrincipalbasedRadialBasisFunctiOilNeuralNetwork)，該模型使用改進(jìn)的克隆選擇算法和免疫抑制策略，通過隱層可行解抽取算法EA
3、HLFS(ExtractionAlgorithmHiddenLayerFeasibleSolution)，能在聚類數(shù)目未知的情況下，生成RBF網(wǎng)絡(luò)隱層，計(jì)算所得到的結(jié)果包括隱層節(jié)點(diǎn)數(shù)和每一個(gè)隱層節(jié)點(diǎn)的中心位置。論文提出了隱層節(jié)點(diǎn)重要度SHLN(SignificanoeofHiddenLayerNode)概念，用以指導(dǎo)RBF網(wǎng)絡(luò)第二階段的訓(xùn)練過程。與基于聚類算法的預(yù)測(cè)模型相比，AIP—RBF具有更快的收斂速度和更高的預(yù)測(cè)精度。論文還將研究成果應(yīng)用到盾構(gòu)施工工程實(shí)踐中，用AIP-RBF來預(yù)測(cè)隧道施工過程
4、中引起的地面沉降。論文從對(duì)訓(xùn)練數(shù)據(jù)的擬合程度、測(cè)試數(shù)據(jù)的預(yù)測(cè)精度和預(yù)測(cè)模型的模型結(jié)構(gòu)等方面與其他預(yù)測(cè)模型進(jìn)行了有意義的比較，驗(yàn)證了hIP—RBF的優(yōu)越性。關(guān)鍵詞：RBF網(wǎng)絡(luò)，人工免疫原理；回歸；預(yù)測(cè)模型V上海大學(xué)碩士學(xué)位論丈ABSTRACTMachinelearningoccupiesacentralpositioninartificialintelligence．RadialBasisFunctionNeuralnetworks(RaFNN)，anewmethodofmachinelearning
5、，showsbetterperformanceingeneralizationabilityandcanapproximateanynonlinearfunctionatanyprecision．Withoutstandinglearningability,goodgeneralizationabilityandfasttrainingspeed，RBFNNisfrequentlyusedintheregressionandclassificationproblem．Comparedwiththef
6、eedforwardneuralnetwork(e．g．Multilayerperceptroas)，RBFNNisabletoavoidfallingintolocalminimum．HoweveLRBFNNhasitsowndrawbacks，Thereisnoavailablealgorithmtocalculatethehiddenlayerstructure，includingthenumberofnodesandthelocationofeachnode．Currently,resear
7、chershaveusedFuzzyC·Mean(FCM)clusteringalgorithmtogetitshiddenlayer．Nevertheless，theapproachCanonlypartiallysolvetheaboveproblem．ThispaperproposesanArtificialImmunePrinciplebasedRBFnetworkpredictionmodelnamedAIP—RBFwhichusestheimprovedclonalselectional
8、gorithmandimmunosuppressivestrategy．ByusingExtractionAlgorithmofHiddenLayerFeasibleSolution(EAHLFS)，AlP—RBFisabletogetthehiddenlayerofRBFwithoutknowingtheclusteringnumber．ThepaperalsoproposesanimprovedSignificanceofHiddenLayerNode(SHLN)
