邵楠，于中伟

（沈阳市勘察测绘研究院，辽宁沈阳 110004）

基于ELM的大坝变形分析与预报模型

邵楠*，于中伟

（沈阳市勘察测绘研究院，辽宁沈阳 110004）

传统的诸如BP神经网络等学习方法训练时需要设置大量的参数，并且容易产生局部最优解。极限学习机（Extreme Learning Machine，ELM）可以随机选择输入权重以及隐藏层偏差且不需要调节，最终只产生唯一最优解。将ELM引入大坝变形分析建模中，建立了基于ELM的变形预报模型。实例表明，相比传统的逐步回归模型与BP神经网络模型，基于ELM的大坝变形预报模型在效率和精度上都有提高。

大坝变形预报；物理模型；神经网络模型；极限学习机（ELM）

1　引 言

对大坝变形监测数据进行整理分析，是保证大坝安全运营的重要手段［1，2］。大坝安全监测数学模型主要分为几何模型和物理模型。其中，物理模型以回归模型为主，利用多元线性回归或相应改进方法建立大坝变形与温度、水位和时效因子之间的关系［3，4］。但回归模型只能反映监测效应量与自变量之间的线性关系，模型精度会因此受到一定影响。随后，有学者建立了基于神经网络算法的变形预报模型，建立了位移与环境自变量之间的非线性模型，验证了神经网络算法在大坝变形预报中的应用的有效性［5，6］。

极限学习机（Extreme Learning Machine，ELM）是新加坡Huang等人［7，8］在2004年提出的一种单隐层前馈神经网络的方法。相比传统的诸如BP神经网络，ELM优点是在极快的学习速度上有着良好的泛化能力。基于以上优点，极限学习机已经在生物医学［9］、机器视觉［10］、图像视频处理［11］等方面得到了广泛的应用。……