《贝叶斯正则化对混凝土坝位移机器学习模型性能的提升》

技术简介：

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(M_(MSE))、复相关系数、最大绝对误差、预测M_(MSE)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M_(MSE)分别降至64.67%、3.85%,过拟合程度分别由70.99、9778.36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。

研发人员：隋旭鹏;朱圣辉;王少伟;徐丛;庄钧惠;