动态神经网络在变形预报中的应用

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

动态神经网络在变形预报中的应用

邓兴升, 王新洲

文章导航 > 武汉大学学报 ● 信息科学版 > 2008 > 33(1): 93-96

邓兴升, 王新洲. 动态神经网络在变形预报中的应用[J]. 武汉大学学报 ● 信息科学版, 2008, 33(1): 93-96.

引用本文:

邓兴升, 王新洲. 动态神经网络在变形预报中的应用[J]. 武汉大学学报 ● 信息科学版, 2008, 33(1): 93-96.

DENG Xingsheng, WANG Xinzhou. Application of Dynamic Neural Network in Prediction Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 93-96.

Citation:

DENG Xingsheng, WANG Xinzhou. Application of Dynamic Neural Network in Prediction Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 93-96.

动态神经网络在变形预报中的应用

邓兴升^1,2,
王新洲^1,2

¹武汉大学测绘学院,武汉市珞喻路129号430079;²武汉大学灾害监测与防治研究中心,武汉市珞喻路129号,430079

基金项目: 国家自然科学基金资助项目(40474003)

作者简介:
邓兴升,博士生,高级工程师。主要从事变形监测与灾害预报及统计学习理论等方面的研究。

中图分类号: P258

Application of Dynamic Neural Network in Prediction Model

DENG Xingsheng^1,2,
WANG Xinzhou^1,2

¹School of Geodesy and Geomatics,Wuhan University,129 Luoyu Road,Wuhan 430079,China;²Research Center for Hazard Monitoring and Prevention,Wuhan University,129 Luoyu Road,Wuhan 430079,China

Funds: 国家自然科学基金资助项目(40474003)

摘要: 静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。如果每增加一个样本对神经网络重新训练,需要大量的计算时间。针对该问题,提出了动态神经网络预报模型。在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正。为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率。通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域。
- 动态神经网络 /
- 在线时间序列 /
- 大坝变形 /
- 预报模型。
Abstract: Batch implementations of artificial neural network(ANN) are inefficient when used in an online setting because they must be retrained from scratch every time the training set is modified.In order to reduce the expense of ANN training,we have developed a dynamic neural network(DNN) modeling method for online time series prediction.Dynamic neural network modeling that efficiently updates a trained static neural network whenever a sample is added to the training set.The updated ANN function is identical to that produced by a batch algorithm.Application of DNN in an online scenario is presented.In the scenario,numerical experiments indicate that DNN is faster than batch ANN algorithms obviously.
- dynamic neural network /
- online time series /
- dam deformation /
- prediction modeling

[1]	卢剑, 张学东, 张健钦, 郭小刚, 张悦颖. 利用卷积神经网络识别交通指数时间序列模式 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1981-1988. doi: 10.13203/j.whugis20200035
[2]	魏博文, 熊威, 李火坤, 彭圣军, 徐镇凯. 融合混沌残差的大坝位移蛙跳式组合预报模型 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1272-1278. doi: 10.13203/j.whugis20140570
[3]	李广春, 戴吾蛟, 杨国祥, 刘斌. 时空自回归模型在大坝变形分析中的应用 . 武汉大学学报 ● 信息科学版, 2015, 40(7): 877-893. doi: 10.13203/j.whugis20130549
[4]	李晓杰, 郭睿, 黄金, 朱陵凤, 谭红力, 董恩强. 神经网络在北斗导航卫星轨道预报中的应用 . 武汉大学学报 ● 信息科学版, 2015, 40(9): 1253-1258. doi: 10.13203/j .whu g is20130603
[5]	王宇谱, 吕志平, 崔阳, 吕浩, 李林阳. 利用遗传小波神经网络预报导航卫星钟差 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 809-814.
[6]	陈必焰, 戴吾蛟, 蔡昌盛, 夏朋飞. 层析反演与神经网络方法在电离层建模及预报中的应用 . 武汉大学学报 ● 信息科学版, 2012, 37(8): 972-975.
[7]	李振, 朱锋, 陈家君. 利用新息构造AKF估计和预报大坝变形 . 武汉大学学报 ● 信息科学版, 2012, 37(4): 454-457.
[8]	陈鹏, 姚宜斌, 吴寒. 利用时间序列分析预报电离层TEC . 武汉大学学报 ● 信息科学版, 2011, 36(3): 267-270.
[9]	张正禄, 王小敏, 邓勇, 谢年生. 模糊神经网络在变形分析与预报中的应用研究 . 武汉大学学报 ● 信息科学版, 2010, 35(1): 6-8.
[10]	吴柯, 牛瑞卿, 李平湘, 张良培. 基于模糊ARTMAP神经网络模型的遥感影像亚像元定位 . 武汉大学学报 ● 信息科学版, 2009, 34(3): 297-300.
[11]	吕恒, 李新国, 曹凯. 基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究 . 武汉大学学报 ● 信息科学版, 2006, 31(8): 683-686.
[12]	王志国, 陈立, 刘玉成, 张春燕. 遗传算子对径流预报神经网络模型的影响 . 武汉大学学报 ● 信息科学版, 2005, 30(11): 1020-1024.
[13]	潘国荣. 基于时间序列分析的动态变形预测模型研究 . 武汉大学学报 ● 信息科学版, 2005, 30(6): 483-487.
[14]	王新洲, 邓兴升. 大坝变形预报的模糊神经网络模型 . 武汉大学学报 ● 信息科学版, 2005, 30(7): 588-591.
[15]	焦利民, 刘耀林. 土地适宜性评价的模糊神经网络模型 . 武汉大学学报 ● 信息科学版, 2004, 29(6): 513-516.
[16]	邓跃进, 董兆伟, 张正禄. 大坝变形失稳的尖点突变模型 . 武汉大学学报 ● 信息科学版, 1999, 24(2): 170-173.
[17]	樊红, 张祖勋, 杜道生, 张剑清. 基于神经网络模型求取注记配置最优解 . 武汉大学学报 ● 信息科学版, 1998, 23(1): 32-35.
[18]	邓跃进, 王葆元, 张正禄. 边坡变形分析与预报的模糊人工神经网络方法 . 武汉大学学报 ● 信息科学版, 1998, 23(1): 26-31.
[19]	蓝悦明, 王新洲. 灰色预测用于大坝水平变形预测的研究 . 武汉大学学报 ● 信息科学版, 1996, 21(4): 350-354.
[20]	徐培亮. 应用时间序列方法作大坝变形预报 . 武汉大学学报 ● 信息科学版, 1988, 13(3): 23-31.

WeChat

点击查看大图

计量

文章访问数: 800
HTML全文浏览量: 32
PDF下载量: 407
被引次数: 0

动态神经网络在变形预报中的应用

邓兴升^1,2,
王新洲^1,2

¹武汉大学测绘学院,武汉市珞喻路129号430079;²武汉大学灾害监测与防治研究中心,武汉市珞喻路129号,430079

基金项目: 国家自然科学基金资助项目(40474003)

作者简介:
邓兴升,博士生,高级工程师。主要从事变形监测与灾害预报及统计学习理论等方面的研究。

收稿日期: 2007-10-20
修回日期: 2007-10-20
刊出日期: 2008-01-05

中图分类号: P258

关键词:

动态神经网络 /

在线时间序列 /

预报模型。

摘要: 静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。如果每增加一个样本对神经网络重新训练,需要大量的计算时间。针对该问题,提出了动态神经网络预报模型。在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正。为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率。通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域。

English Abstract

邓兴升, 王新洲. 动态神经网络在变形预报中的应用[J]. 武汉大学学报 ● 信息科学版, 2008, 33(1): 93-96.

引用本文:

邓兴升, 王新洲. 动态神经网络在变形预报中的应用[J]. 武汉大学学报 ● 信息科学版, 2008, 33(1): 93-96.

DENG Xingsheng, WANG Xinzhou. Application of Dynamic Neural Network in Prediction Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 93-96.

Citation:

DENG Xingsheng, WANG Xinzhou. Application of Dynamic Neural Network in Prediction Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 93-96.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码