基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

大坝变形的去噪傅里叶模型预测

针对大坝变形预测中非平稳性且含噪声的数据处理问题,该文提出一种基于剔除含噪声信号的大坝变形傅里叶(Fourier)预测新算法。首先利用经验模态分解(EMD)法将变形时间序列分解成具有不同尺度特征的固有模态函数(IMF)分量,并计算出各分量与原始信号的相关系数;然后根据相关系数剔除含噪声的IMF分量,并采用游程判定法对剩余的波动程度相似或相同的分量进行信号重构;最后利用傅里叶函数对重构后的分量进行曲线拟合,并据此构建大坝变形预测模型,对出现的模型系数采用最小二乘算法求解。经算例验证,并与GM(1,1)、BP神经网络和傅里叶模型对比分析,结果表明该文算法预测精度较高,可用于大坝的变形预测。     

利用经验模态分解和LSSVM预测隧道不均匀沉降

隧道不均匀沉降是个复杂的系统.针对其非线性、非平稳的特点,本文将经验模态分解(EMD)和最小二乘支持向量机(LSSVM)引入该领域,建立了一种基于EMD和LSSVM的预测模型.首先,利用EMD方法将原始序列作平稳化处理,得到一系列本征模态分量(IMF);其次,根据各个IMF的变化规律,采用合适的参数构造不同的LSSVM...     

深度学习在大坝变形预测中的应用研究

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络，研究大坝变形时间序列中非线性周期信号变化的内在规律，使用西龙池L022号站4000期数据作为训练样本，对后续80期数据进行预测，并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明，N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比，RBF预测效果更好，受数据精度影响较小，MAE、RMSE较BP分别最高可提高63%、57%，且本文方法计算效率高，泛化能力强。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

基于IPSO-LSSVM模型的公路路基沉降预测

为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。     

基于双树复小波-LSSVM的大坝沉降预测

大坝沉降往往受多种因素影响,对此提出一种基于双树复小波-最小二乘支持向量机(LSSVM)的大坝沉降预测方法.利用双树复小波有效分离出大坝原始序列中隐含的不同频率分量,分析影响大坝沉降的水位、温度与各频率分量的关系,建立相应的LSSVM预测模型.实验表明,该方法有较高的预测精度.     

智能优化LSSVM算法的混沌时间序列边坡变形预测模型

边坡变形序列存在一定混沌特征,本文将混沌分析方法应用到边坡变形预测中。为解决标准LSSVM模型中惩罚参数和核函数参数因任意给定或经验给定带来的非最优问题,将遗传算法和粒子群算法引入LSSVM模型,根据变形序列建立GA-LSSVM和PSO-LSSVM预测模型,与标准LSSVM混沌预测模型和基于神经网络的混沌预测模型进行比较。结果表明,GA-LSSVM和PSO-LSSVM模型预测中误差分别为0.73 mm和0.77 mm,LSSVM,BP,RBF三种模型中误差分别为0.90 mm,0.80 mm和0.75 mm;因此,本文提出的预测模型用于边坡变形预测比其他几种模型具有更高的精度。