文档名：基于门控深度循环信念网络的边坡沉降预测
摘要：本研究针对现有边坡沉降预测模型精度低、无法有效反映沉降值蕴含的时序信息等问题,提出基于门控深度循环信念网络(GDRBN)的边坡沉降混合预测模型.为提高训练效率,引入自适应学习率,并以广佛肇高速公路二期工程为实例,建立多种边坡沉降预测模型,并进行计算比较.研究结果表明:基于GDRBN的边坡预测模型的预测精度比GM、BP、RNN、DBN预测模型的分别提高了69％、54％、38％、26％,可为边坡预测提供更准确的计算方法.
作者：武焱 张映雪Author：WUYan ZHANGYingxue
作者单位：长沙理工大学交通运输工程学院,湖南长沙410114
刊名：交通科学与工程 ISTIC
Journal：JournalofTransportScienceandEngineering
年，卷(期)：2023, 39(1)
分类号：TU146.1
关键词：边坡 沉降预测 深度学习 循环神经网络 自适应学习率
机标分类号：U416.1TP391.41TU433
在线出版日期：2023年4月26日
基金项目：基于门控深度循环信念网络的边坡沉降预测[
期刊论文] 交通科学与工程--2023, 39(1)武焱 张映雪本研究针对现有边坡沉降预测模型精度低、无法有效反映沉降值蕴含的时序信息等问题,提出基于门控深度循环信念网络(GDRBN)的边坡沉降混合预测模型.为提高训练效率,引入自适应学习率,并以广佛肇高速公路二期工程为实例,建...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于门控深度循环信念网络的边坡沉降预测 Slope settlement prediction based on gated deep recurrent belief network
基于门控深度循环信念网络的边坡沉降预测.pdf
- 文件大小:
- 1.24 MB
- 下载次数:
- 60
-
高速下载
|
|
