Page 126 - 2023年第54卷第6期

P. 126

小，表示模型性能越好［１８］。分析４种模型在训练集的各项性能指标，模型２、３、４各项指标均优于模型１，表
明在ＰＳＯ－ＲＢＦ模型基础上对加速度序列进行分解再训练或优化网络参数均可有效提高模型的反演精度。
表２训练集反演性能指标

ＮＳＵＤＥＷ
模型
Ｒ２ＲＭＳＥＭＡＰＥＲ２ＲＭＳＥＭＡＰＥＲ２ＲＭＳＥＭＡＰＥ
模型１０．７５２０．１０６０．３０７０．７２２０．１１４０．３１９０．７５８０．０９８０．２９４
模型２０．８６５０．０７２０．１８９０．８２４０．０７５０．１９５０．８４７０．０７４０．１９０
模型３０．８０００．０７９０．２１４０．７７６０．０８３０．２３００．７８８０．０８００．２２６
模型４０．９６９０．０４６０．１０７０．９３１０．０５２０．１２００．９４５０．０４９０．１１１

以顺河向（ＮＳ）加速度序列训练为例，为了更好的分析各模型的性能，图６展示了反演值和实测值的
局部对比图（散点图），图中黑色线条和彩色线条分别代表１∶１线和线性拟合线。对比模型１和模型３训
２
练结果可知，模型３的散点分布较１∶１线更为紧凑，线性拟合线与１∶１线也更近，Ｒ值更大，ＲＭＳＥ和
ＭＡＰＥ值更小，表明经ＣＰＳＯ优化的ＲＢＦ模型性能优于传统ＰＳＯ优化的ＲＢＦ模型。对比模型２和模型４
２
训练结果可知，模型４的散点分布更为紧凑，拟合线与１∶１线更近，Ｒ值更大，ＲＭＳＥ和ＭＡＰＥ值更小，
表明经ＣＰＳＯ优化的ＥＭＤ－ＲＢＦ模型性能优于传统ＰＳＯ优化的ＥＭＤ－ＲＢＦ模型。上述分析结果表明相较
于普通ＰＳＯ算法，经过云理论优化的ＣＰＳＯ算法可以提高单一模型和混合模型的反演精度。同时，与两
２
种单一模型（模型１和模型３）相比，混合模型（模型２和模型４）均表现出更高的Ｒ值及更低的ＲＭＳＥ和
ＭＡＰＥ值。单一模型散点图较为分散，拟合线距１∶１线较远，而混合模型的散点分布较为集中，拟合线
距１∶１线较近，表明混合模型相较于单一模型有效提升了对加速度极值和整体序列的反演精度。

图６反演值与实测值对比

４
— ７５ —

121 122 123 124 125 126 127 128 129 130 131