Page 21 - 2023年第54卷第10期

ｎ １ ｎ ２
ｉ
ｊ
ＭＭＤ（Ｘ，Ｙ） ＝‖ ∑ Ｆ（ｘ）－ ∑ Ｆ（ｘ） ‖ Ｈ （１４）
ａ
ｔ
ｓ
ｉ ＝１ ｊ ＝１
式中：Ｈ为希尔伯特空间（ＲＫＨＳ）；Ｆ（·）为映射，表示把原变量映射到再生核 ＲＫＨＳ（Ｘ → Ｈ）。将公
式展开成矩阵乘法形式，则可得到核化等式：
１
ｎ１
ｎ１
ｎ２
ｎ１
ｎ２
ｎ２
１ ｉ ｊ １ ｉ ｊ ２ ｉ ｊ ２
ＭＭＤ（ｘ，ｘ） ＝（ ２∑∑ ｋ（ｘ，ｘ）＋ ２∑∑ ｋ（ｘ，ｘ）－ ∑∑ ｋ（ｘ，ｘ）） （１５）
ｔ
ｓ
ａ
ｓ
ｓ
ｔ
ｔ
ｔ
ｓ
ｎ ｉ ＝１ ｊ ＝１ ｎ ｉ ＝１ ｊ ＝１ ｎｎ ｉ ＝１ ｊ ＝１
１ ２
１ ２
（ｉ）
（ｊ）
式中 ｋ（ｘ ，ｘ ）表示高斯核语法矩阵。可以看出 ＭＭＤ的实质就是求源域和目标域数据在 ＲＫＨＳ中
 
的均值的距离。则迁移后网络模型的总损失函数 Ｌｏｓｓ可表示为：
２
Ｌｏｓｓ ＝ ＭＥＳ＿ｌｏｓｓ ＋ γ ＭＭＤ（Ｄ，Ｄ） （１６）
ａ ｓ ｔ
式中：γ表示 ＭＭＤ＿ｌｏｓｓ在总损失函数 Ｌｏｓｓ中的权重，可根据样本数据特征进行相应的设定，本文取
０．３；ＭＥＳ＿ｌｏｓｓ为均方误差损失。
４．３ 迁移学习框架下 ＩＧＯＡ － ＭＬＰ碾压机效率预测流程 迁移学习框架下 ＩＧＯＡ － ＭＬＰ碾压机效率预测模
型算法流程共包括数据预处理、ＩＧＯＡ － ＭＬＰ模型构
建和迁移学习三部分，具体步骤如图 ６所示。
完成预测模型构建后，采用回归预测问题的
常用评 估 指 标———ＭＡＥ、ＭＡＰＥ、ＭＳＥ、ＲＭＳＥ来
评估模型的准确性和泛化性能，其中 ｎ是样本数，
＾
ｙ代表第 ｉ个样本的真实值，ｙ是相应的预测值。
ｉ
ｉ
四个指标的计算公式如下所示。
１ ｎ
ＭＡＥ＝ ∑ ＾ ｉ ｉ （１８）
ｙ －ｙ
ｎ ｉ ＝１
１ ｎ
＾
ＭＳＥ＝ ∑ （ ｙ －ｙ ） ２ （１９）
ｉ
ｉ
ｎ ｉ ＝１
１ ｎ
＾
ＲＭＳＥ＝ ＭＳＥ ＝ ∑ （ ｙ －ｙ） ２ （２０）
槡
槡
ｉ
ｉ
ｎ ｉ ＝１
ｙ －ｙ
１００ ｎ ＾ ｉ
ｉ
ＭＡＰＥ＝ ∑ （２１）
ｎ ｉ ＝１ ｙ
ｉ
５ 工程实例 图 ６ 迁移学习框架下 ＩＧＯＡ － ＭＬＰ碾压机效率预测模型构建流程
以我国西南地区某高心墙堆石坝为研究对象，采用迁移学习框架下的 ＩＧＯＡ － ＭＬＰ模型进行碾压效
率预测。
５．１ 数据采集和预处理 数据采集来源包括高心墙堆石坝智能碾压监控系统和坝区小型气象站两部
分。智能碾压实时监控系统可实时记录包括碾压机行进速度，碾压机型号，振动状态，所处坝块等信
息；坝区小型气象站可对施工现场的气象要素进行全天候精准测量，并通过移动通讯设备将气象数据
传输到中心计算机。选取坝体填筑第 ２年 ６月至第 ３年 ５月共 １２个月的数据作为训练集和测试集，第
３年 ６月份的数据作为验证集。首先剔除数据异常值，并将气象数据与碾压监控数据合并。再根据式
（ １）计算每条数据对应的碾压 机效率，最 后 得到一 个 包含 １．４万 条 数据 信 息 的数 据库。将 高 程小于
２６８０ｍ的监控数据（１．２万条数据）作为源域数据集，将高程大于等于 ２６８０ｍ的监控数据（０．２万条数
据）作为目标域数据集，对目标域数据集按照 ５０％训练集、５０％测试集划分。
５．２ 迁移学习框架下基于 ＩＧＯＡ － ＭＬＰ的碾压效率预测
５．２．１ 模型参数设置 本研究采用 ２层 ＭＬＰ模型，输入神经元数为自变量数 １１，输出神经元数为 １，
隐藏层 １（Ｈ ）的神经元数为 １５，隐藏层 １的权重是一个（行数 ＝ 输入层神经元数） × （列数 ＝ 隐藏层 １神
１
１
— １ ５ ７ —