论文部分内容阅读
目前，回归分析、时序分析、灰色系统等方法在变形预测领域得到了广泛的应用。同时，支持向量机(SVM)和高斯过程(GP)等机器学习方法也被引入到工程变形预测中。本文即对高斯过程回归(GPR)在变形预测中的应用进行了探讨和分析。 文中对变形实测数据进行了标准化处理，建立了训练样本保持不变的静态GPR预测模型，并分析了不同外推方式和核函数对预测效果的影响，计算表明SE核函数多次外推预测中误差为2.50mm、单次外推预测中误差为1.93mm，NN核函数单次外推预测中误差为2.36mm，RQ核函数单次外推预测中误差为2.44mm，可见采用SE核函数进行单次外推时预测精度较高。 对训练样本进行动态扩充，建立了单一SE核函数下的动态GPR预测模型。在用实测值增补训练样本时，动态模型预测中误差为0.73mm;在用预测值增补训练样本时，动态模型预测中误差为2.41mm。结论表明采用预测值增补训练样本时，其预测效果和静态多次外推大致相当;采用实测值增补训练样本时，其预测精度得到了大幅提高。 在增补实测值的单核动态模型基础上，建立了基于组合核函数(CK)的动态GPR预测模型，其预测中误差为0.51mm。而后用遗传算法(GA)搜寻CK-GPR模型的超参数，建立了遗传优化的组合核函数(GA-CK)动态GPR模型，其预测中误差为0.30mm。结论表明采用组合核函数能够有效提高动态GPR模型的预测精度，而用遗传算法求取模型的超参数可以进一步优化模型的预测效果。