论文部分内容阅读
变形监测数据非平稳、非线性、时变性和不确定性特征明显,传统方法难以取得理想的分析结果。针对该问题,提出一种基于粒子群(Particle Swarm Optimization,PSO)算法优化的径向基函数(Radical Basis Function,RBF)神经网络变形监测数据拟合和预测方法,利用PSO实时对RBF神经网络初始参数进行自动寻优,从而解决RBF神经网络初始化参数选择困难、易陷入局部极值的问题。最后采用实测数据构建典型试验对所提方法进行验证,结果表明PSO-RBF网络模型能够实现高精度的