基于相空间重构的边坡位移预测

根据边坡位移时间序列的非线性性质, 应用基于相空间重构的实时预测方法, 可以充分利用时间序列信息, 预测 各种边坡变形演化趋势。 讨论了局域法和基于 Ly apunov 指数的预测法。 实例研究表明, 基于相空间重构的预测方法具 有比非平稳时间序列更高的预测精度和更广的适应性。     

混沌序列WA-ELM耦合模型在滑坡位移预测中的应用

针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。     

基于LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。     

混沌序列WA-VOLTERRA耦合模型在月降水量预测中的应用

由于月降水量时间序列含有大量噪声, 并表现出明显的混沌特性, 现有预测模型均存在一定程度的不足.基于混沌理论的小波分析-VOLTERRA级数自适应(WA-VOLTERRA)耦合预测模型, 在对月降水量时间序列进行混沌特性识别的基础上, 先用小波分析对月降水序列进行时频分解, 再分别对各频率分量进行相空间重构并用3阶VOLTERRA级数自适应模型建模预测, 最后综合得到原始序列的预测值.以相近区域杭州市和南通市的月降水序列为例, 并通过与小波分析-支持向量机(WA-SVM)模型进行比较, 发现该模型具有较强的适用性和更高的预测精度.      

滑坡变形组合预测方法的研究

为了预测边坡变形大小,以便及时采取防治措施,通过取不同的迟滞时间对原始监测数据进行相空间重置获得新的数据序列,再以这些新的数据序列为基础,采用预测残差平方和最小的线性优化方法,将ARMA时间序列法和GM（1,1）灰色理论的预测结果进行组合,对某矿的边坡变形量进行滚动组合预测。对不同方法的预测精度和预测残差的标准差进行了对比分析,结果对比表明,组合预测较单项预测方法残差标准差明显减小,且相空间重置后的组合预测结果提高了直接预测的平均预测精度,这为边坡变形趋势的预测与防灾预警提供了可靠的方法。     

混沌时间序列支持向量机模型及其在径流预测中应用

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。     

基于相空间重构和小波分析-粒子群向量机的滑坡地下水位预测

预测滑坡地下水位的动态演变过程对滑坡稳定性分析具有重要意义, 三峡库区库岸滑坡地下水位时间序列受多种因素影响, 呈现出高度非线性非平稳的特征.为对其进行预测, 提出一种基于相空间重构的小波分析-粒子群优化支持向量机(wavelet analysis-support vector machine, 简称WA-PSVM)模型.该模型引入小波变换法对地下水位序列进行时频分解, 将非平稳的地下水位序列转变为多个不同分辨率尺度下的较平稳的地下水位子序列; 然后重构各子序列的相空间, 再利用PSVM(全称support vector machine)模型对地下水位各子序列进行预测, 最后将各子序列预测值相加得到最终预测结果.以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例, 首先分析滑坡前缘地下水位变化的影响因素, 再将WA-PSVM模型应用于地下水位预测, 并与单独PSVM模型和小波分析-BP网络模型(wavelet analysis-back propagation, 简称WA-BP)作对比.结果表明: 滑坡前缘地下水位受降雨和库水位影响较大, 利用WA-PSVM模型对STK-1水文孔地下水位进行预测的均方根误差为0.073m、拟合优度为0.966, WA-PSVM模型预测精度高于单独PSVM模型和WA-BP模型.WA-PSVM模型解决了地下水位序列非线性非平稳的问题, 在不考虑影响因素的情况下能获得满意的预测效果, 具有较高的建模效率和较强的实用性.      

基于改进Shannon伪近邻法研究易滑地层位移变形时序

合理地运用科学的理论方法,研究计算滑移地层的滑移规律并进行有效的预测,一直是亟待解决的岩土工程问题。通过基于Shannon伪近邻法时序分析理论研究易滑岩层变形破坏的演变机理;通过边坡演变的动力学方程组,建立相空间重构,得出显示边坡系统动态特性延迟时间与关联维数的计算公式,并对边坡变形破坏过程进行了实例分析,得到最佳嵌入维数取值,提取和恢复边坡系统原有的规律。在古树屋滑坡位移的外推预测中,模型计算相对误差都控制在2%以内,计算结果接近于实测位移值。工程实践表明,基于该模型的时序预测方法,在边坡位移初始变形和等速变形阶段,能保证95%以上的拟合控制精度。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于经验模态分解法与小波变换的长周期大地电磁信号去噪方法

针对大地电磁信号具有非线性、非平稳和非最小相位的特点,提出了一种基于经验模态分解法结合小波变换的联合信号去噪方式,将时间序列信号通过经验模态分解,利用连续均方误差准则确定原始信号能量转折点,进而再使用小波阈值去噪法对剩余固有模态函数分量进行去噪,最后重构出消噪信号。通过对实测信号处理前后结果的对比,表明了本方法能够有效地应用于信号时域去噪。     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

边坡位移演化的多尺度分析

通过相邻两个时间区间位移观测结果均值差分的积分描述和Harr小波基函数的小波变换方程的对比分析,得到了一个将不同时间尺度下边坡位移均值变化表示为相应尺度下小波变换系数的基本关系。根据这一关系,提出了可以采用小波变换方法确定两个相邻时间区间位移均值在不同时间尺度下变化规律的边坡位移演化的多尺度分析方法。针对卧龙寺新滑坡、三峡永久船闸边坡开挖和隔河岩水电站进水口边坡变形的观测结果,讨论了它们的位移演化多尺度特征。当边坡位移呈现较规则的变化趋势时,在一个尺度上就可以提取它们的时间演化特征。开挖剧烈扰动的影响可以通过给定时间尺度支撑区端点与位移突变点之间递增连的线进行近似。     

进化-最小二乘支持向量机的边坡稳定性估计

针对最小二乘支持向量机的参数选择问题,用遗传算法来搜索最小二乘支持向量机的相关参数,避免了人工搜索参数的盲目性,提高了模型的推广性能。根据大量的实际边坡工程数据,建立了基于进化-最小二乘支持向量机的边坡稳定性模型,并将其应用于估计丁家河磷矿自然边坡稳定状况。计算结果与工程实际情况一致,表明了该方法的有效性和合理性。     

Displacement prediction of step-like landslide by applying a novel kernel extreme learning machine method

Landslide displacement prediction is an essential component for developing landslide early warning systems. In the Three Gorges Reservoir area (TGRA), landslides experience step-like deformations (i.e., periods of stability interrupted by abrupt accelerations) generally from April to September due to the influence of precipitation and reservoir scheduled level variations. With respect to many traditional machine learning techniques, two issues exist relative to displacement prediction, namely the random fluctuation of prediction results and inaccurate prediction when step-like deformations take place. In this study, a novel and original prediction method was proposed by combining the wavelet transform (WT) and particle swarm optimization-kernel extreme learning machine (PSO-KELM) methods, and by considering the landslide causal factors. A typical landslide with a step-like behavior, the Baishuihe landslide in TGRA, was taken as a case study. The cumulated total displacement was decomposed into trend displacement, periodic displacement (controlled by internal geological conditions and external triggering factors respectively), and noise. The displacement items were predicted separately by multi-factor PSO-KELM considering various causal factors, and the total displacement was obtained by summing them up. An accurate prediction was achieved by the proposed method, including the step-like deformation period. The performance of the proposed method was compared with that of the multi-factor extreme learning machine (ELM), support vector regression (SVR), backward propagation neural network (BPNN), and single-factor PSO-KELM. Results show that the PSO-KELM outperforms the other models, and the prediction accuracy can be improved by considering causal factors.     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算...     

基于动态空间面板模型的填方路基边坡坡面位移预测

传统的边坡位移预测由于监测周期长、主要解释变量难以独立监测,存在建模困难、模型冗余、不具备空间预测能力等问题。以某半填半挖的高填方路堤边坡为研究对象,基于坡面位移实测数据,引入空间计量经济学基本理论和动态面板数据分析方法,检验和量化了不同测点间的空间关系,建立了坡面位移的动态空间面板数据模型,并进一步地检验了模型的预测结果。研究结果表明,相较于传统的时间序列模型,该模型参数更加简洁,并可同时对空间所有测点进行预测。模型不仅在时间维度有良好的预测效果,还具有一定的空间预测能力。     

Constituents and features of displacement vector angle of colluvial landslide

Based on an analysis of displacement-monitoring data of Xintan landslide, China, it was discovered that the whole stability of large-scale colluvial landslides can be more accurately described by taking the displacement vector angle into account, and the stability trend of a slope can be evaluated and predicted using the displacement vector angle. This paper also further indicates that the monitored deformation vector angle can be divided into sliding deformation vector angle, plastic-deformation vector angle, compressive deformation vector angle and creep deformation vector angle in terms of the displacement properties of the slope. Through the analysis it is found that the displacement vector angle, for which there is no substitute, is an important parameter serving as an explicit criterion for the stability of the slope, and hence its significance in the prediction of landslides. It is also shown that as far as the displacement vector angle is concerned, there are different constituents and features in the different deformation stage of colluvial landslide. On the basis of these and using the principles of statistics, a discussion on the stability of the colluvial slopes is carried out in terms of the monitoring data of F-series points on Xintan slope. The analysis results coincided with the destabilized time and the sliding laws, thus demonstrating that the parameter of the displacement vector angle has to a certain extent, very important significance in the forecasting of landslides.