基于正交设计下svm滑坡变形时序回归预测的超参数选择

基于正交设计下SVM滑坡变形时序回归预测的超参数选择第31卷第2期2010年2月岩土力学ROCKANDSOILMECHANICSVB1_3LNO2FEB20L0文章编号LLOO07598201002050307基于正交设计下SVM滑坡变形时序回归预测的超参数选择万智1,2,董1冲南大学土木建筑学院,长沙4100752湖南省交通科学研究院,辉3刘宝琛长沙4100153湘潭大学土木工程与力学学院,湖南湘潭411105摘要超参数的选择直接影响着支持向量机SVM的泛化性能和回归效验,是确保SVM优秀性能的关键针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数比单一核函数具有更好的收敛性和模型适应性SVM各个超参数的取值范围,选定了每个参数的试验水平通过考虑参数问的正交性和交互性,选取最优超参数组合下的SVM模型应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用关键词正交设计支持向量机超参数时序回归滑坡中图分类号TU457文献标识码AONCHOICEOFHYPERPARAMETERSOFSUPPORTVECTORMACHINESFORTIMESERIESREGRESSIONANDPREDICTIONWITHORTHOGONALDESIGNWANZHI一,DONGHUI,LIUBAOCHEN1SCHOOLOFCIVILANDARCHITECTURALENGINEENNG,CENTRALSOUTHUNIVERSITY,CHANGSHA410075,CHINA2HUNANCOMMUNICATIONSRESEARCHINSTITUTE,CHANGSHA410015,CHINA3COLLEGEOFCIVILENGINEERINGANDMECHANICS,XIANGTANUNIVEITY,XIANGTAN411105,CHINAABSTRACTSELECTIONOFTHEHYPERPARAMETERSISCRITICALTOTHEPERFORMANCEOFSUPPORTVECTORMACHINESSVM,DIRECTLYIMPACTINGTHEGENERALIZATIONANDREGRESSIONEFFICACYOFTHESVMANORTHOGONALEXPERIMENTALDESIGNPROCEDUREFORHYPERPARAMETERSELECTIONODPSISCLEARLYDESIRABLEGIVENTHEINTRACTABLEPROBLEMOFEXHAUSTIVESEARCHMETHODSTHEAUTHORSPREVIOUSWORKINTHISAREAINVOLVEDANALYZINGTHERANGEVALUEOFHYPERPARAMETERSFORSVMOFMIXEDKERNELWHICHHASBEENPROVEDANDSHOWEDAHIGHERCONVERGENCERATEANDAGREATERFLEXIBILITYINLEARNINGAPROBLEMSPACETHANSINGLEKERNELFUNCTIONS,ANDDETERMININGEXPERIMENTALLEVELSFORDIFFERENTPARAMETERSINORDERTOGUIDETHEHYPERPARAMETERSELECTIONPROCESSTHEMETHODSELECTSHYPERPARAMETERSOPTIMALCOMPOSITIONINTERMSOFORTHOGONALANDINTERACTIONEFFECTOFHYPERPARAMETERSTHERESULTSOFTHEPERFORMEDENGINEERINGEXPERIMENTSFORTHEPREDICTIONOFTWOTYPICALLANDSLIDEDEFORMATIONTIMESERIESCONFIRMEDTHERELIABILITYANDADVANTAGEOFTHEPROPOSEDAPPROACHKEYWORDSORTHOGONALDESIGNSUPPOVECTORMACHINESHYPERPARAMETERSTIMESERIESREGRESSIONLANDSLIDE1引言近年来,由于支持向量机SUPPORTVECTORMACHINES,SVM具有独特的建模特征及优秀的泛化性能,在解决回归和分类问题方面得到了广泛的应用【卜然而,由于SVM模型的学习品质取决于应用者在具体应用中的超参数设置或选择包括惩罚参数C,核参数以及在回归模型中损失函数的可调参数,因此,对一给定的学习数据样本,如何设置或调整SVM算法中超参数以确保模型的优秀学习性能是应用SVM在实践工程的主要问题尽管一些方法给出了超参数优化选择的技巧615】,但迄今未有一个统一的方案,超参数选择仍是SVM研究领域的一个开放性问题本文主要从试验设计的角度为基于混合核函数MIXEDKERNELFUNCTIONSVM的时间序列回归建模给出一种参数优化选择方案这种参数选择方法可为工程实际应用提供参考,以提高SVM建模效收稿日期200807一I1基金项目部交通建设科技项JNO200331880201第作者简介万智,男,1976年生,博士研究生,主要从事岩土工程领域的研究和设计T作EMAILZWANSOHUTOM504岩土力学2010在率,从而避免不良参数选择下SVM性能降低的缺陷2支持向量机模型选择支持向量机的模型选择主要包括核函数的选择以及超参数的设置选择一个具有适当复杂度的模型是非常重要的,它需要确保模型在计算上的需求和学习性能之间的平衡21核函数核函数方法是将研究的数据嵌入到一个合适的被称为特征空间的向量空间,然后使用基于线性代数,几何学和统计学的算法,以寻找嵌入数据中的线性关系支持向量机是基于核函数学习的典型算法,其模型的一般性能很大程度上取决于核函数的选择核函数在特征空间上必须表达成内积的形式,这意味着核必须满足MERCER条件SVM的常用核包括线性核,多项式核以及径向基核等,由于不同的核函数对应着不同的特征空间,核函数又可以被分为静态核局部核和非静态核全局核高斯径向基核作为一种普适性较好的核函数被应用在不同的研究领域,但也正因为普适性,使其针对具体应用难以进一步提高模型的精度为此,一些复杂核被构造出来以适应不同应用背景的SVM学习问题】,其中,混合核是一种不错的选择,混合核是将不同性质的核函数通过某些封闭运算构造出的复杂核它集合了不同性质核函数的优点,通过调节不同核的比例权重以适合不同研究背景的具体问题基于此,本文以多项式核和高斯径向基核的混合核MPR作为SVM的核函数进行超参数选择方法的研究MPR的具体表达式如下MPR11一PEXP一LLXY1I/2O1式中P为混合系数常量D为多项式核指数O为高斯核参数22超参数选择方法在实际应用中,两种超参数选择方法应用较多,一种是通过试取不同参数组合,并使用验证集的方式比较模型获得较优的超参值,由于在试取超参时带有盲目性,方法的效率较低另一种是格网搜索方法GDDSEARCH,格网搜索是在确定参数取值范围情况下,以一固定步距并行搜索超参值这种方法的关键是参数的搜索范围与步距的确定当搜索步距较小时,计算量大,且并行搜索方式决定了只能对较少的参数进行调整最近,一些其他超参选择方法被提出并获得了成功的应用,这里主要介绍两种实践参数选择CHERKASSKY和MA2002年J提出了直接根据训练样本数据获得支持向量回归机SVR的超参数选择方法他们通过分析相互关联的超参数,以经验的调整参数来获得实践参数选择的一般指导原则,主要考虑基于高斯径向基核下的SVM回归模型超参选择他们认为,核宽度根据训练样本数据中的输入X的取值分布能够较容易的得到,即单变量输入时序为0105倍输入X取值范围多变量D维时序则在归一化输入XNO,L1范围后,直接取0105内的范围值而超参选择的重点主要为惩罚参数C和损失函数的值的确定两种参数的推荐经验公式如下CMAXI一3ORI,L3OYI2/,Z3E38Y/4式中和,分别为输出的平均值和标准差N为样本数,Z较小时,用式3确定当N较大时,以式4计算值式3,4的使用需要预先确定训练数据中未知噪声的水平尽管一些方法给出了解决的办法,但在实践应用中,对未知噪声水平的估计不可避免地会出现一定的偏差这就可能使不良的超参数被选择,从而降低了SVM模型的一般性能参数自适应选择CHAPPELLE2000年【9】提出使用自动迭代调整超参以适应多超参数选择问题,方法的核心思想是通过梯度搜索方法遍寻超参以使模型具有最大分隔平面和最小估计误差同样,FRAUKE2005年10L利用进化方法确定多个超参值这种方法对多个超参的选择具有较好的效果,但其计算时耗大3超参数试验设计31正交设计SVM超参选择的I7的实际上是寻找由超参组合下模型误差曲面或超曲面的最小极值点极值点搜索的计算量较大,且随着超参数数目增多,其时耗变得难以容忍然而,在实际应用中,其实并不需要真正找到误差曲面最小极值点,只需在满足工程精度的前提下寻找到与误差曲面极小值接近的模型超参组合即可这种超参数组合的搜索可看作是一种多因素多水平的试验设计,为此,本文使用试验设计中应用较好的正交设计方法,优化组合多个超参数,以获得一较优的SVM模型第2划万智等基于正交设计下SVM滑坡变形时序回归预测的超参数选择505试验设计是数理统计学的一个重要分支,主要讨论如何合理地安排试验以及对试验所得的数据如何分析等试验设计中的析因设计FACTORIALDESIGN用于分析两个或多个因素的主效应和交互效应当试验只有两个因素时,K个变量的两水平全析因设计需要进行2次试验因素或水平数的增多会增加析因设计的试验次数为减少试验次数,一个非常自然的想法是,从析因设计的水平组合中选择一喑分有代表性的水平组合进行试验因此,就出现了分式析设计FRACTIONALFACTORIALDESIGNS正交试验设计OHOGONALEXPERIMENTALDESIGN作为分式析因设汁的主要方法,它根据正交性从全面试验中挑选出部分“均匀分散,齐整可比“的有代表性的点进行试验,其作片J是只用较少的试验次数就可以找出因素水平问的最优搭配或由试验结果通过计算推断出最优搭配正交设计由于试验次数少,数据点分布均匀的特点,在实践中获得了广泛的应用32超参数取值范围SVM模型的选择包括核函数选择和超参数设置由于性质可调的MPR核函数具有全局性和局部性的优点,能够应用到不同研究领域因此,本文的超参数选择,主要是针对这一核函数而言从式1可知,基于MPR核的SVM有5个待定参数由于试验设计需要确定每个参数的水平,为此,有必要先对各参数的取值范围进行研究1高斯核参数高斯核宽度参数与输入样本数据集的维数相关J归一化后的M维输入数据在空间上形成一个M维的超立方体,任何处于超立方体内的两点距离不大于M,即高斯核中心点在超立方体内的最大核函数宽度为,也就是的上界值对于的下界值,考虑到太小时,函数对中心点周围的样本点影响降低,无法从这些样本点进行学习,其下界值本文设定为M/IO在这一范围内能够保证参数取值下SVM模型良好的一般性能2惩罚参数C参数C平衡SVM模型的精度和泛化性能C取较大值时,模型精度高,学习误差较小反之,模型的支持向量数目减小,模型复杂度降低关于参数C和高斯核宽度的取值变化对模型的影响,有下面的试验结论【J引模型趋于欠拟合情况固定参数,而C0C取较小值且不变,而0C不变,2OO当C取较大值且不变,而0时模型趋于过拟合从图1可知,参数C和取值在满足下式情况下可取得一般性能较好的SVM模型LGOLGCLGC5式中为线性建模C的取值,实际应用中LGC的取值一般不是很大,本文直接取05,25范围,由于参数的取值已知,C的取值范围可由式5推算得到CMXLO一,MXLO3损失函数可调损失函数的参数设置需要与训练样本的噪声相匹配,而由于样本中的噪声是未知的,只能估计得出,本文基于实践参数选择方法中的式4,选择/INN/N,5/1NN/N作为的取值范围4权重P参数P是一个取值在0,1间的常数,通过改变P值,调节多项式核与高斯核的权重分配,改变核的性质以适应不同的工程应用背景研究5多项式核指数D多项式核指数D直接影响SVM的模型精度,随着其阶数的增加,模型容易出现过拟合情况本文选择文献1,5】内的整数作为参数D的取值范围C图1参数C和取值变化时欠,过拟合的粗分界线FIG1THEBOUNDARYOFOVERANDILLFITTINGONCHANGEPARAMETERSCANDO33超参数选择试验设计为了观察建模误差效果,在正交设计试验中,各个超参数的试验水平不应相隔太近或太远,这里为每个超参数在其取值范围内适当地取5个试验水平,如表1所示表中M为输入样本维数,以为训练样本总数,为输出样本标准差对全析因设计,5因素5水平需要进行53125次试验而应用正交设计,选择L255正交表,只需要进行25次试验显然,大大减少了计算工作量506岩土力学2010表1超参数试验水平取值TABLE1THEVALUESOFDIFFERENTLEVELSEXPERIMENTOFHWERDARAMETERS4试验近年来,随着社会经济的发展,我国大型工程建设项目日渐增多,在水电工程,高速公路,铁路建设等领域,滑坡灾害发生频繁,强度增大,每年都要造成重大的经济损失和人员伤亡,其危害性已严重影响到工程的安全建设和经济效益滑坡的变形或位移是滑坡破坏的重要反馈信息从某种意义上讲,这种关联着其他难以测定影响滑坡因素的位移时序,可以直接用来判断滑坡的稳定状态或者进行滑坡的时间预报然而,滑坡作为一个受多种因素影响而发展演化的非线性动力系统,由于不同背景下其诱发因素的随机性和不可控制性,使现有的一些时序预测方法难以满足工程实践的需要本文基于SVNI算法,以正交试验设计方法优化选择模型的超参数组合,对滑坡变形监测时序进行回归建模与外推预测41数据来源孙玉科将滑坡的变形时序分为4种类型LL制,本文选择其中预测较复杂的匀速增速型和复合型两种典型变形时序作为研究对象匀速增速型滑坡的滑移特征使得滑坡发生前采集加速突变后的位移数据较少,由于对近期位移变化的信息量反映不够,其训练样本分布信息的不完整使模型外推预测能力不强,尤其是当预测时间尺度较大时,其预测精度难以满足工程需要复合型滑坡位移时序具有周期性时滑时移的特征,在滑坡变形过程中随着外界条件和因素的变化,逐步发展成一个完整的破坏过程由于变形过程复杂,滑坡对外界的扰动敏感,其建模预测具有一定的难度两种滑坡位移时序的工程代表为卧龙寺新滑坡5裂缝变形和新滩滑坡A3点位移变形L1,见表242SVM超参数选择正交试验设计对两组典型的滑坡变形时序,可以根据表1获得5个超参数的取值范围,并确定各个参数的试验水平利用正交表L255进行SVM建模的参数试验设置,对每组试验的参数组合,使用SVM模型表2两种典型的滑坡变形时间序列TABLE2THETWOLTLESERIESOFTYPICALLANDSLIDESDISPLACEMENTS时序名称时序数据二维图形卧龙寺匀速增速型变形时序滑坡5数据总数为42裂缝变训练样本数为36形时序测试样本数为6新滩复合型变形时序L滑坡A3数据总数为243监测点训练样本数为20裳时序测试样本数为4的训练相对误差和测试相对误差作为预测模型的评估指标考虑到超参数间的交互作用,正交表的表头设计按照P,D,C安排正交试验结果如表3所示为了便于试验结果的比较,对两组滑坡变形时序SVM建模的超参设置,本文也使用了另外3种超参选择方法,分别为格网搜索试取法,在使用格网搜索,C三个参数的基础上,对P,D进行试取建模实践参数选择法,利用单变量输入时序及式2和式4推算出,C,通过调整P,D获得SVM模型多种方法混合试取法,观察多种参数选择方法结果,有指导的试取超参值43试验结果分析通过对表3中超参数正交设计结果分析,综合考察各个超参数组合下的SVM模型的训练与测试误差以及控制SVM容量的支持向量数目一些研究表明支持向量个数占总样本数的5060时,模型的回归精度与泛化性能得到较好的平衡,对两组滑坡位移时序分别选择出一组最好的超参组合,同时也应用其他3种超参选择方法得到的最优超参进行SVM建模,结果列入表4本文的SVM建模没有使用较好的动态在线预测方式,而是一步预测多个外推位移值,这主要是便于考察每种超参组合下模型的外推预测尺度表4的数据显示,4种超参选择方法中混合试取法由于是在多种参数选择方法的基础上,有目的地试取参数,且对的控制较为严格,获得的模型性能最好但这种方法实际上是有指导的试取,计算负担较大实践参数选择下SVM建模的SV较少,不能完全表征样本集的规律特征,这主要还是的参数取值问第2期万智等基于正交设计下SVM滑坡变形时序回归预测的超参数选择题,也即对输出数据中噪声的估计仍有偏差的缘故在两组滑坡变形时序的SVM建模试验中,格网搜索试取法的参数搜索范围选择本文中已确定的超参值域,其搜索步距为2相比其他3种超参选择法,尽管格网搜索试取法获得的模型误差较大,但由于参数搜索范围以及步距选择较为合理,其精度仍控制在9O左右正交设计将每一超参数试验水平与其他超参的各个水平组合一次,这种“均匀分布,整齐可比“的试验点设计,便于选择出个参数不同水平的最优组合设计中对5个超参数的5个试验水平以正交的方式进行最优搭配试验,以较少的试验次数25次,获得了精度仅次于混合试取法的SVM模型,方法时效性较好从建模的支持向量个数,也可看出正交设计参数选择一FSVM模型的泛化性要强于其他3种方法,见图2其中卧龙寺新滑坡位移时序6步外推,最大相对误差为1176,而4步外推新滩滑坡的最大相对误差为815需要注意的是,尽管混合方法试取超参的SVM模型最优,但由于建模的支持向量个数较多,模型的泛化性能受到了限制从图2中可以看出,随着外推预测尺度增大,SVM模型精度迅速降低这表现在新滩滑坡的4步外推预测,模型的预测误差仅为正交设计方法的一半弱,而在卧龙寺新滑坡的6步外推预测,混合试取法与正交设计的外推预测平均误差已相差不大,分别为649和756,且前者的最大相对误差为1328,高于后者的L176总的来看,在本文确定的超参数取值范围以及试验水平的基础上,正交设计超参选择法以较小的计算代价获得了满足工程精度的SVM模型两组滑坡位移时序外推精度分别为9244和9432,解决了穷举搜索,格网搜索以及试取法选择超参数中模型学习性能不稳定与计算量大的问题方法的高时效特点有助于SVM在实践工程中的良好应用表3两组滑坡位移时序SVM建模超参数组合选择的正交试验设计TABLE3THERESULTSOFORTHOGONALDESIGNONSVMHYPERPARAMETERSFORTWOGROUPSTIMESERIESOFLANDSLIDEDISPLACEMENTS注为支持向量数研M为训练或回归拟合相对误差E为测试或外推预测相对误差508岩土力学2010住格网搜索试取法实践参数选择法正交试验设计法多种方法混合试取0703535010341505O56230607070OO313OO937OO31200100325600L70015101054051000000625435130900399009870503304018693316231600L7600756070562301245340000290014800649070353500100364000449LOO53162341850016007797O08581200859L7002160O6190057500568002010_3OO_25020015O10OO5O5结语新滩滑坡A3监测点变形时序卧龙寺新滑坡5裂缝变形时序圃网丽回归ARE外推最小误差外推最大误差外推ARE回归ARE外推最小误差外推最大误差外推ARE图24种超参数选择方法对两组滑坡变形时序的SVM建模结果比较FIG2THECOMPARISONOFSVMMODELINGUSEFOURHYPERPARAMETERSSELECTIONMETHODSFORTWOGROUPSDEFORMATIONTIMESERIESOFLANDSLIDES超参数选择是支持向量机研究领域的一个开放性问题不同核函数和损失函数的应用使超参选择更加复杂实践工程SVM应用中,不良参数的选择极大地降低了模型的一般性能本文针对核函数MPR背景下的SVM超参数选择问题,从正交试验设计的角度,对不同超参的多个取值水平进行组合试验,与其他超参搜索方法相比,正交设计方法以较少的试验次数获得了精度较高,泛化性能良好的SVM模型通过对两组典型滑坡位移时序的回归预测试验中,很好地验证了这种超参选择方法的可靠性,在很大程度上避免SVM建模中超参选择的盲目性,确保方法实际运用的成功率【234】参考文献VAPNIKVSTATISTICALLEARNINGTHEORYMNEWYORKWILEY,1998JOHNSHAWETAYLOR,NELLOCRISTIAN1NIKERNELMETHODSFORPATTERNANALYSISMCAMBRIDGECAMBRIDGEUNIVERSITYPRESS,2004SCHOLKOPFB,SMOLAALEARNINGWITHKERNELSMCAMBRIDGEMITPRESS,2002SMITSGF,JORDAANEMIMPROVEDSVMREGRESSIONUSINGMIXTURESOFKERNELSC/PROCOFIJCNN02ONNEURALNETWORKSHAWAIIIEEEPRESS,2002,327852790【5ZHENGSHENG,LIUJIAN,TIANJINWENANEFFICIENTSTARACQUISITIONMETHODBASEDONSVMWITHMIXTURESOFKERNELSJPATTERNRECOGNITIONLETTERS,2005,261471656】USTISNB,MELSSENWJ,OUDENHUIJZENM,ETA1DETERMINATIONOFOPTIMALSUPPOVECTORREGRESSIONPARAMETERSBYGENETICALGORITHMSANDSIMPLEXOPTIMIZATIONJANA1CHIMACTA,2005,5441/22923057】CHERKASSKYVLADIMIR,MAYANQIANPRACTICALSELECTIONOFSVMPARAMETERSANDNOISEESTIMATIONFORSVMREGRESSIONJNEURALNETWORKS,2004,1711131268】ATHANASSIACHALIMOURDA,SCHOLKOPFB,SMOLAALEXJEXPERIMENTALLYOPTIMAVINSUPPOVECTORREGRESSIONFORDIFFERENTNOISEMODELSANDPARAMETERSETTINGSJNEURALNETWORKS,2004,171127141【9】CHAPELLEO,VAPNIKBOUSQUETO,ETA1CHOOSEMULTIPLEPARAMETERSFORSUPPOVECTORMACHINESJMACHLEARN,2002,461131159下转第515页第2期高广运等分层土中群桩水平动力阻抗的改进计算5L5【2】【3】【4】【5】【6【7】8】参考文献POULOSHGANALYSISOFTHESETTLEMENTOFPILEGROUPSJGEOTECHNIQUE,1988,384449471KAYNIAM,KAUSELEDYNAMICSTIFFNESSANDSEISMICRESPONSEOFPILEGROUPSRCAMBRIDGEMASSACHUSETTSINSTITUTEOFTECHNOLOGY,1982DOBRYRGAZETASGSIMPLEMETHODFORDYNAMICSTIFFNESSANDDAMPINGOFFLOATINGPILEGROUPSJGEOTECHNIQUE,L988,384557574MAKRISNGAZETASGDYNAMICPILESOILPILEINTERACTION,PARTIILATERALANDSEISMICRESPONSEJEARTHQUAKEENGINEERINGANDSTRUCTUREDYNAMICS,1992,2L2145162GAZETASGFANK,KAYNIAADYNAMICRESPONSEOFPILEGROUPSWITHDIFFERENTCONFIGURATIONJSOILDYNAMICSANDEARTHQUAKEENGRG,1993,12239257蒯行成,沈蒲生层状介质中群桩水平动力阻抗的简化计算方法【J】振动_T程,1998,113258264KUAIXINGCHENG,SHENPUSHENGSIMPLIFIEDMETHODFORCALCULATINGHORIZONTALDYNAMICIMPEDANCESOFPILEGROUPSINLAYEREDMEDIAJJOURNALOFVIBRATIONENGINEERING,1998,1L3258264汤斌,陈晓平群桩效应有限元分析J岩土力学,2005,262299302TANGBIN,CHENXIAOPINGFINITEELEMENTANALYSISOFEFFECTOFPILEGROUPJROCKANDSOILMECHANICS,2005,262299302林皋,栾茂田,陈怀海土结构相互作用对高层建筑非线性地震反应的影响J土木工程,1993,2641一】3上接第508页10】FRAUKEFRIEDCHS,CHRISTIANIGELEVOLUTIONARYTUNINGOFMULTIPLESVMPARAMETERSJNEUROCOMPUTING,2005,641107117【11SHINMDESIGNANDEVALUATIONOFRADIALBASISFUNCTIONMODELSFORFUNCTIONAPPROXIMATIONDNEWYORKSYRACUSEUNIVERSI199812】DUANK,KEERTHISS,POOANEVALUATIONOFSIMPLEPERFORMANCEMEASURESFORTUNINGSVMHYPERPARAMETERSJNEUROCOMPUTING,2003,514159【13】KEERTHISS,LINCJASYMPTOTICBEHAVIORSOFSVMWITHGAUSSIANKERNELJNEURALCOMPUTATION,2003,LINGAO,LUANMAOTIAN,CHENHUAIHAIS