大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

变形监测数据预报的动态贝叶斯ELM方法

贝叶斯极限学习机（BELM）具有充分利用数据先验信息，可以自适应估计模型参数的特点。但在样本数量不断增加时，如果每次都对BELM重新训练将会降低计算效率。针对此问题，本文提出一种动态贝叶斯极限学习机（DBELM）方法以应用于变形监测数据实时预报。该方法以BELM训练的模型参数为初值，根据新增样本信息可对初始模型参数进行动态更新，并从理论上推导了相关计算公式。通过对仿真数据和实际变形数据进行详细分析表明：DBELM方法的预报精度要优于BELM、正则化极限学习机（RELM）、极限学习机（ELM）3种方法。特别是在长期持续预报过程中，其预报性能相对于其余3种方法优势明显。这充分表明了所提方法应用于变形监测数据预报领域具有可行性和有效性。     

基于改进ELM回归算法的地铁沉降预测方法研究

为解决地铁不均匀沉降的预测问题,在传统极限学习机算法的基础上,结合经验风险最小化和结构风险最小化原理,提出了一种改进的极限学习机回归算法,并在此基础上构建了地铁沉降预测模型,应用实例表明,该方法的泛化性能和预测精度均优于传统的ELM算法和BP算法。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。     

BP模型在变形监测数据分析和预测中的应用

本文通过对BP网络模型的研究,建立BP神经网络预测模型,并使用VC++语言编程加以实现。将模型应用于东江大坝实测变形监测数据的分析和预测,对时间序列建模和以环境变量为自变量两种方法建模,发现这两种模型都可以很好的实现变形量的预测,且以自变量为因素所建立的模型预测精度更高。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

基于GM(1,1)-ARIMA最优组合的大坝预测模型

为了对大坝变形进行预测,本文根据ARIMA模型和灰色模型各自的特点,建立综合ARIMA模型和灰色模型的变形组合预测模型,并在不同的定权准则下建立了多种组合模型。在通过平均绝对误差(MAE)及均方误差(MSE)两种精度指标选取最优组合模型时,为了克服单一评价方法导致的结果非一致性问题,提出基于最小机会损失准则进行评价的方法,通过将各组合预测模型的最小机会综合评价值进行排序,得到最优组合预测模型。最后以某大坝位移监测数据为例,建立不同的组合模型,通过模型精度评价,得到了最优组合预测模型。     

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%。     

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。     

利用结构自适应极端学习机预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报的问题,将极端学习机（extreme learning machine,ELM）神经网络用于导航卫星钟差预报。针对ELM网络隐层结构难以确定的问题,提出了基于自适应共振理论（adaptive resonance theory,ART）网络思想的ELM网络结构设计算法。该算法将ART网络的聚类特性用于ELM网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,自适应地确定隐层节点规模。使用GPS卫星钟差数据进行30 d的预报实验,结果表明,此方法的钟差预报精度明显优于二次多项式模型和灰色系统模型。     

城市扩展极限学习机模型

城市空间结构及其扩展的模拟是城市科学管理与规划的重要前提,本文基于极限学习机提出了顾及不同非城市用地转化为城市用地差异与强度的城市扩展元胞自动机模型（ELM-CA）。模型验证表明：①ELM-CA模型的模拟精度达到70.30%,相比于逻辑回归和神经网络分别提高了2.21%和1.54%,FoM系数分别提高了0.025 9和0.017 9,Kappa系数分别提高了0.024 7和0.016 9,且Moran I指数接近于实际值,说明极限学习机模型较逻辑回归和神经网络能更有效模拟城市扩展的空间形态及其变化;②ELM模型的训练时间仅为神经网络的1/3左右,体现了ELM学习速度的优势;③在小样本情况下,逻辑回归和神经网络都受到明显的影响,而极限学习机还能保持良好的性能,这个特点使其在样本难以获取的情况下具有明显的优势。两个时相的城市扩展模拟与真实数据的比较表明：基于极限学习机的城市扩展元胞自动机模型（ELM-CA）,简化了CA模型的复杂度,并在小样本情况下能有效提高模拟精度,适合于复杂土地利用条件下城市扩展模拟与预测。     

两种不同的SVM建模方法在大坝变形预测中的应用

用支持向量机对大坝变形监测数据建模分析和预测一般有两种方法:一是仅用大坝的变形数据作为输入端和输出端,构建支持向量机模型;二是用温度、水压等大坝变形的影响因子作为输入端,大坝变形数据作为输出端,构建支持向量机模型。两种建模方法比较研究鲜有讨论,文中用这两种建模方法对福建省某一大坝进行建模预测。结果表明,第二种方法建模预测速度更快,预测精度更高。     

神经网络融合模型在大坝安全监控中的应用

为了提高大坝安全监控模型的预测精度并检验模型的泛化能力,研究大坝安全监控的统计模型、BP神经网络模型及遗传神经网络模型,并提出基于这两种神经网络的融合模型,结合某拱坝长期的变形观测数据,对上述几种模型进行试算。分析结果表明,所建立的融合模型与其他模型相比具有较高的预测精度,且泛化能力较强,具有良好的适用性。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

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。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。