原创力文档- 1、本文档共6页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
PSO-RBFNN模型及其在岩土工程非线性时间序列预测中的应用.pdf
第29卷第4期 岩 土 力 学 V_0l_29 NO．4
2008年4』J Rock and Soil Mechanics Feb． 20o8
文章编号l 1000--7598--(2008)O4—995一O6
PSO．RBFNN模型及其在岩土工程
非线性时间序列预测中的应用
梁桂兰 ，徐卫亚 ，何育智2，赵延喜 ，
(1．河海大学 岩土工程研究所，南京 210098；2．南京市民用建筑设计研究院有限责任公司，南京 210002)
摘 要：岩土工程受力变形演化是一个典型的非线性问题，其演化的高度非线性和复杂性，很难用简单的力学、数学模型描
述，但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通
过均值聚类法确定后，所有其它参数：中心位置、形状参数、网络权值，均通过粒子群优化算法在全局空间优化确定。工程
实例应用表明，该模型预测结果准确、精度高，有良好的应用前景。
关 键 词：粒子群优化；径向基神经网络；岩土工程；非线性时间序列；预测
中图分类号：TB 115 文献标识码：A
Study and application of PSO—RBFNN model to nonlinear
time series forecasting for geotechnical engineering
LIANG Gui—lan ，XU Wei—ya ，HE Yu—zhi2ZHAO Yan—xi
，
(1 Research Institute ofGeotechnical Engineering，Hohai University,Nanjing 210098，China；
2．NanjingMunicipalInstituteofCivilArc~tecmreCo．，Ltd，Nanjing 210002，China)
Abstract：Due to the nonlinearity and complexity of deformation evolution of geotechnical engineering，it is difficult to describe it
with simple mechanical and mathematical mode1．A method for forecasting the stress and displacement nonlinear time series is
proposed based on constructing radial basis function neural network using particle swalnl optimization algorithm ．After determination
of units’number in RBF layer using k—means，all parameters such as central position，shape parameter and weights of RBFNN are
estimated dynamically in global with particle swalnl optimization．The engineering case studies reveal that this model has high
accuracy and a good prospect for nonlinear time series forecasting of geotechnical engineering．
Key words：particle swalnl optimi zation；radial basis function neural netw
文档评论（0）