水利水电科技进展
水利水電科技進展
수이수전과기진전
ADVANCES IN SCIENCE AND TECHNOLOGY OF WATER RESOURCES
2011年
3期
80-83
,共4页
广义回归神经网络%光滑因子%边坡稳定预测
廣義迴歸神經網絡%光滑因子%邊坡穩定預測
엄의회귀신경망락%광활인자%변파은정예측
介绍广义回归神经网络(GRNN)的原理和影响因素,论述光滑因子的影响和选择.采用LOO交叉验证方法遍历所有样本,搜索出合适的光滑因子,结果表明合适的光滑因子能够较大幅度地提高网络泛化能力.应用收集到的82个圆弧滑面边坡稳定状态的实例资料,将GRNN模型应用于边坡稳定性评价,计算结果表明,在边坡稳定状态分析及预测方面,GRNN模型比BPNN模型更加精准筒捷.
介紹廣義迴歸神經網絡(GRNN)的原理和影響因素,論述光滑因子的影響和選擇.採用LOO交扠驗證方法遍歷所有樣本,搜索齣閤適的光滑因子,結果錶明閤適的光滑因子能夠較大幅度地提高網絡汎化能力.應用收集到的82箇圓弧滑麵邊坡穩定狀態的實例資料,將GRNN模型應用于邊坡穩定性評價,計算結果錶明,在邊坡穩定狀態分析及預測方麵,GRNN模型比BPNN模型更加精準筒捷.
개소엄의회귀신경망락(GRNN)적원리화영향인소,논술광활인자적영향화선택.채용LOO교차험증방법편력소유양본,수색출합괄적광활인자,결과표명합괄적광활인자능구교대폭도지제고망락범화능력.응용수집도적82개원호활면변파은정상태적실례자료,장GRNN모형응용우변파은정성평개,계산결과표명,재변파은정상태분석급예측방면,GRNN모형비BPNN모형경가정준통첩.