基于遗传算法的偏最小二乘回归模型在大坝安全监测中的应用.pdfVIP

基于遗传算法的偏最小二乘回归模型 在大坝安全监测中的应用 邓念武 陈 正 叶泽荣 (武汉大学水资源与水电工程科学国家重点实验室，湖北武汉430072) 摘 要:偏最小二乘回归能较好地解决自变量之间严重的相关性问题，遗传算法作为一种新的全局优 化搜索方法，具有智能性搜索、并行式计算、鲁棒性强等优点。本文在偏最小二乘回归分析的基础上 引入遗传算法，依靠其有效的自适应全局搜索优化功能，对偏回归模型中的回归系数进行重新评估， 建立基于遗传算法的偏回归模型。实例分析表明:基于遗传算法的偏回归模型有良好的拟合效果和预 汉9精度。 关键词:大坝监测模型:遗传算法:偏最小二乘回归 1前 言 目前，在大坝安全监测资料分析中采用的数学模型比较典型的是统计模型，统计模型一般 采用回归分析方法，对事先拟定的因子进行筛选及系数求解，但拟定的因子之间如果存在严重 的相关性，这种相关性会对分析效果产生较大的影响，甚至使分析失效。而偏最小二乘回归分 析方法可以较好地解决这一问题。偏最小二乘回归是一种新型的多元统计数据分析方法，它集 多元线性回归分析，典型相关分析和主成分分析的基本功能于一体，将建模预测类型的数据分 析方法与非模型式的数据认识性分析有机地结合起来，能很好地解决自变量集合内部存在的严 重多重相关性问题。但由于偏回归模型可能对一部分数据点比较敏感，模型就对这部分数据点 有较好的拟合性;而对另一部分数据点敏感度较差，拟合的效果就会差一点，它不能通过自身 的调节使模型进一步优化，这样在一定程度上制约了偏回归分析建模的准确度。 遗传算法是借鉴生物进化过程中的遗传规律而产生的一种优化搜索技术，它通过遗传操作 不断的进行迭代计算，从而逐步逼近问题的最优解。本文在利用偏最小二乘回归分析法建立模 型的基础上，采用遗传算法对偏回归系数重新评估优化，建立了基于遗传算法的偏最小二乘回 归模型。 2偏最小二乘法的基本思想 设有9个因变量{y,y2,...,入}和P个自变量{x,9X2,...}xp)。为了研究因变量与自变量的 统计关系，监测了m个样本，由此构成了自变量与因变量的数据表X-[XI,x2,...,xplmx，和 Y二[YIIYz9.,.,凡]， · 在一般的多元线性回归模型中，当数据总体能够满足高斯一马尔科夫假设条件时，根据最 小二乘法，有 YA=X(Xx)-1xY^ 夕是Y的一个很好的估计量.从这个公式容易看出，(X$)必须是可逆矩阵，但当X中的 变量存在严重的多重相关性时，这个最小二乘估计量就会失效，并将引发一系列应用方面的问 题。而偏最小二乘回归分析可以避免(X欠)的不可逆性. 偏最小二乘回归的基本思路是:分别在X和Y中提取成分t1和“;(也就是说，t1)E.6(I+x2，一凡 的线性组合，uI澎I,Y2,...y。的线性组合).在提取这两个成分时，为了回归分析的需要，有下 列两个要求: (1)t,和u1应尽可能多地携带它们各自数据表中的变异信息; (2).t,和“，的相关程度能够达最大。 这两个要求表明，ti和“:应尽可能好地代表数据表X和Y，同时自变量的成分t1对因变量 的成分“;有最强的解释能力. 在第一个成分ti和“:被提取后，偏最小二乘回归分别实施X对ti的回归以及Y对ti的回归· 如果回归方程已经达到满意的精度，则算法终止;否则，将利用X被t1解释后的残余信息以及 Y被ti解释后的残余信息进行第二轮的成分提取。如此往复，直到能达到一个较满意的精度为止。 若最终对X共提取了。个成分t1,t2,...,t.，偏最小二乘回归将进行Y。对t1,t2,...It。的回归，然 后再表达成Y。关于原变量x1,x2,...I凡的回归方程(k=1,2,-..,q). 3遗传算法的基本思想 遗传算法是模拟生物界的遗传和进化过程而建立起来的一种搜索算法，体现着 “生存竟争、 优胜劣汰、适者生存”的竟争机制。 遗传算法的基本思想是从一组随机产生的初始解，即 “种群”，开始搜索，种群中的每一个 个体，即问题的一个解，称为 “染色体”:遗传算法通过染色体的适应值来评价染色体的好坏， 适应值大的染色体被选择的几率高，相反，适应值小的染色体被选择的可能性小，被选择的染 色体进入下一代;下一代中的染色体通过交叉和变异等遗传操作，产生新的染色体，即 “后代”; 经过若千