AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。     

基于遗传算法的小波神经网络模型预测大坝变形

为了提高大坝变形的预测精度,提出一种基于遗传算法的小波神经网络模型。首先通过对BP神经网络隐含层神经元的替换,弥补了网络易收敛于局部极小点的缺陷,增强了函数逼近能力,进而建立了小波神经网络大坝预测模型;再利用该模型对大坝变形训练集进行学习,并运用遗传算法选取全局最优参数。该方法充分利用了小波神经网络强大的非线性预测能力和遗传算法的全局优化搜索功能,弥补了BP神经网络存在的理论缺点。将其与小波神经网络、BP神经网络进行比较,实验结果表明该方法具有更优的局部预测值、更高的全局预测精度,适用于复杂的大坝变形预测。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

支持向量机模型在大坝变形预测中的应用

根据大坝变形量与大坝变形因子之间的非线性关系建立了大坝变形预测的支持向量机模型,并用交叉验证的方法对支持向量机惩罚参数和核函数参数进行寻优,最后得到良好的大坝变形预测效果。用该模型和与传统的BP神经网络对比,结果证明支持向量机在大坝变形预测方面是强于BP神经网络的。     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

基于鸟群优化BP神经网络的滑坡处治后变形预测

滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标，开展处治后滑坡变形预测可提前掌握滑坡稳定性情况，有利于滑坡失稳风险分析，便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况，本文提出了一种采用鸟群算法（BSA）优化BP神经网络的滑坡变形预测方法，借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型，对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明，BSA-BP神经网络预测结果的均方误差和相关系数分别为0.053 4和0.997 6,BP神经网络预测结果的均方误差和相关系数分别为2.225 6和0.968，鸟群算法可有效提高BP神经网络模型的预测精度，能有效应用于处治后滑坡变形预测，研究结果可为处治后滑坡失稳风险预测提供参考。