无偏灰色模型和Origin拟合函数在变形监测预报中的对比应用

针对灰色模型的固有缺陷,通过白化方程与灰微分方程之间的参数变换实现了三类灰色模型的无偏性。通过3个实例对比分析了无偏灰色模型和Origin拟合函数在变形监测预报中的应用效果,结果表明,在“少数据建模”情况下,无偏灰色模型拟合预测精度与Origin拟合函数相当;当建模数据较多时,则不及Origin拟合函数。无偏灰色模型建模原理简单,可用于处理小样本变形监测数据。Origin拟合函数不需要考虑数据量和变形监测时间间隔,可用于处理变形监测数据。     

基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机（LSSVR）中惩罚参数c和核函数参数σ难以确定，以及标准人工蜂群算法（ABC）易陷入局部最优、收敛速度慢等问题，提出一种改进的人工蜂群算法（IABC）来优化LSSVR的参数并进行变形预测研究。首先，IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性，一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优，并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力；其次，以LSSVR的预测精度为目标函数，并将其转化为IABC的适应度函数，以此构建出基于IABC优化LSSVR的预测模型；最后，以基坑监测数据为例，将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明，IABC增加了种群的多样性，提高了收敛精度，基于IABC优化的LSSVR模型预测的变形趋势更符合实际，预测精度高于对比模型。     

变形监测灰色预测模型对比及替代方法研究

将变形监测灰色预测模型分为传统GM(1,1)模型及其改进模型、非齐次灰色模型、GM(1,1)幂模型及其改进模型3种类型,以Origin拟合函数Exp2PModl、Exponential和SRichards2作为3类灰色预测模型的替代方法,基于理论研究和实例验证对比分析3类灰色预测模型及其替代方法。结果表明,3类灰色预测模型在拟合函数、有无极限值、适合等时距或非等时距建模和适用范围等方面存在显著差异,需要根据变形监测数据特征选择合适的灰色预测模型类别;与3类灰色预测模型相比,Origin拟合函数在参数求解和建模数据要求上更具优势,而且可以得到相当甚至更高的拟合或预测精度,除需要编程实现的特殊优化目标外,完全可以代替灰色预测模型用于变形监测。     

基于机器学习的稀疏样本下的土壤有机质估算方法

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。     

PSO-GM(1,1,N,p,ξ)模型在变形预测中的应用

通过对传统GM(1,1)缺陷分析和改进的基于权的PGM(1,1)建模机理描述,顾及PGM(1,1)中背景值构造时取相同的参数不能充分降低模型的预测误差,对不同的时刻引入不同的参数来改进GM(1,1)背景值序列的计算公式,将这种背景值构造方法和灰元N引入GM(1,1)建立了新的白化方程。在建立的新的白化方程基础上,用龙格-库塔法以修正的初始值计算累加值的模拟序列。针对引入的参数较多问题,采用粒子群算法寻找满足相对误差均值最优的参数,从而建立了基于粒子群优化算法和加权灰色组合的PSO-GM模型。工程实例应用表明,新模型的拟合精度高,预测效果好,相对其他两种原有模型预测精度有明显提高。     

变异函数模型参数的加权总体最小二乘回归法

顾及距离值的随机误差,提出用加权总体最小二乘回归法估计变异函数模型参数。通过协方差传播律发现,分组后的变异函数值和距离值是不等精度的。给出距离值的定权方法,结合熵权法和点对数法迭代解算模型参数。以幂函数模型为例,模拟数据和实测数据的结果表明,加权总体最小二乘回归法更加合理,参数的估计精度也更高。     

滑动线性回归模型预测路堤沉降初探

在路堤沉降预测中，线性模型是应用最为广泛的模型之一。但是随着观测信息的丰富，常规的线性模型的不足凸现，影响了模型的精度，为了克服常规模型的缺点提出了滑动线性回归模型。滑动线性回归模型要求参与建模的数据个数保持不变，新观测的数据取代旧有的数据，从而获得了新的模型参数，通过实例验证，得到了理想的结果。     

基于MRVM的多输出边坡变形预测模型

为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。     

优化背景值的非等间距线性时变参数GM(1,1)幂模型在变形监测中的应用

为弥补传统GM(1,1)幂模型背景值等权构造的缺陷,针对原始变形序列的非等距振荡特征构建背景值加权优化的非等间距线性时变参数GM(1,1)幂模型,并采用具有全局优化特性、收敛速度快的粒子群算法求解模型的幂指数和背景值权重。以2组矿区监测点累积沉降观测数据为例进行沉降分析与预测,结果表明,本文模型的平均绝对百分比误差分别为2.33%和4.70%,预测误差分别为2.10%和6.38%,计算结果均优于其他3种模型。工程应用表明,优化模型在小样本非等距振荡序列应用中具有优越性,适用于地表沉陷的短期预测与时变分析。     

基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

EEMD-PSOGSVM耦合模型在深基坑位移预测中的应用

针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。     

基于空间多尺度分析的滑坡易发性评价——以三峡库区秭归-巴东段为例

以三峡库区秭归-巴东段为例,将地理加权回归(GWR)模型引入到研究区的空间尺度分割方法中,利用粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,构建GWR-PSO-SVM耦合模型,完成研究区滑坡易发性评价,并与传统的PSO-SVM耦合模型结果进行对比。结果表明,在特定类别精度分析、总体预测精度分析和曲线下面积分析中,本文方法评价效果均优于传统方法。     

一种基于熵权法的小波去噪复合评价指标

传统的评价指标在真值未知的情况下不能满足小波去噪质量评价的要求。为此，借助变化率特征重新构建均方根误差变化量和平滑度变化量两个指标，利用熵权法定权将归一化后的两个指标线性组合，所得到的新指标即为复合评价指标。该方法借助指标的变化率随分解层数的增加表现出明显的收敛特性来确定去噪最优分解层数。实验表明，该方法能够在真值未知的情况下准确地指导小波分解，确定去噪最优分解层数，从而达到最优去噪效果。     

基于灰色马尔科夫模型的地基承载力预测

地基是工程建设的基础,其承载力计算和预测十分关键,决定着建筑工程上部结构的安全性与稳定性。为实现小数据量、短周期、较高精度的地基承载力预测。本研究提出以地基静载试验数据为依据,利用灰色模型进行计算,结合马尔科夫优化,建立灰色马尔科夫预测模型,预测固定荷载作用下的地基沉降,进而明确相应沉降下的基地承载力。同时,将该模型与传统的灰色GM(1, 1)模型、指数曲线拟合模型进行对比,分析3种模型的优劣。结果表明,案例一中,静载试验下的地基承载能力完好,灰色马尔科夫模型、GM(1, 1)模型、指数曲线模型预测值与实测值的平均相对误差依次为1.55%,3.80%,10.22%,灰色马尔科夫模型精度最高,更契合地基静载试验,能准确有效地明确地基承载力;案例二中,地基在静载试验下发生破坏,破坏前灰色马尔科夫模型预测值与实测值的平均相对误差仅为0.5%,预测效果良好。破坏时,地基沉降迅速增加,加载点模型预测值与实测值的相对误差出现异常,骤增至26.29%,以此可判断破坏前一级加载序列荷载为该地基的极限承载力。运用此模型指导地基静载试验,在保障工程施工安全的前提下,相邻试验点可以适当减少静载试验次数,节约工程施工成本,为信息化地基静载试验提供一个新的计算工具。      

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。