贝叶斯正则化对混凝土坝位移机器学习模型性能的提升

作者：隋旭鹏; 朱圣辉; 王少伟^*; 徐丛; 庄钧惠

来源：水电能源科学, 2022, 40(09): 120-124.

DOI：10.20040/j.cnki.1000-7709.2022.20211825

• 混凝土坝
• 位移监控模型
• 机器学习
• 贝叶斯正则化
• 性能提升

针对机器学习模型的过拟合问题和非线性隐式型模型结构，基于贝叶斯正则化对某拱坝径向位移建立神经网络(NN)和支持向量机(SVM)模型，对比分析均方差(MMSE)、复相关系数、最大绝对误差、预测MMSE增比等评价指标，并通过部分依赖图(PDP)来挖掘机器学习模型的因果解释能力。研究结果表明，贝叶斯正则化能显著提高机器学习模型的预测和解释能力，NN和SVM的预测MMSE分别降至64.67%、3.85%,过拟合程度分别由70.99、9 778.36降至41.22、17.15;基于PDP从机器学习模型中分离出的因果分量与传统多元线性回归模型(MLR)相近。采用贝叶斯正则化构建的SVM模型的解释能力与MLR模型最接近，预测性能亦较优。

• 单位
  常州大学