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。     

利用优化的组合核相关向量机算法构建地表下沉预测模型

为了提高地下开采地表下沉预测结果的精度及可靠性,提出了基于混合智能优化算法（hybrid intelligent optimization algorithm,HIOA）与组合核相关向量机（multi-kernel relevance vector machine,MK-RVM）的地下开采地表下沉预测方法。首先,分别构建HIOA与MK-RVM算法,并利用HIOA优化MK-RVM的参数。然后,采用优化后的MK-RVM构建地表下沉几何参数预测模型和动态下沉预测模型。最后,利用以上模型对上山移动角、下山移动角、中心移动角、地表最大下沉及动态下沉进行预测,并分析预测结果的精度及可靠性。实验结果表明,该方法的精度与可靠性较单一核函数相关向量机与支持向量机有较大改善。     

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。     

遗传算法优化支持向量机矿产预测方法

针对矿产预测中已知矿点的样本数目较少的问题,该文提出了一种基于遗传算法优化的支持向量机矿产预测方法。采用遗传算法优化支持向量机的惩罚因子和径向基核函数参数,避免了参数选择不当对支持向量机预测结果的影响,从而提高矿产预测的精度。以空间建模工具ArcSDM中的卡林型金矿床数据为例进行实验。结果表明,支持向量机模型的预测准确率为89.3%,查准率为70.2%;而证据权方法的预测准确率为79.4%,查准率为50%,均小于支持向量机预测结果,说明遗传算法优化的支持向量机是一种有效的矿产预测方法。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

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。     

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。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

经验模态分解和最小二乘支持向量机在大坝变形预测中的应用

由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。     

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。     

融合空间关联性的特高拱坝位移概率性预测模型

基于机器学习语言建模时,传统方法仅以拟合均方误差（mean square error,MSE）最小为单一优化目标,容易引起过拟合问题。对此,基于关联向量机（relevance vector machine,RVM）,建立了融合变形空间关联性的双优化目标约束下的概率性预测模型。利用形状相似度（shape similarity index,SSI）对拱坝变形的空间关联性进行量化,并将单测点MSE和区域变形SSI相融合,共同作为RVM模型的训练优化目标,以期实现MSE尽可能小,而SSI尽可能大。以锦屏一级拱坝为例,预测均方根误差和最大误差的平均降幅分别为31.2%和24.8%,使用多核函数之后,模型预测性能进一步提升;RVM模型的预测置信带宽明显小于多元回归模型,平均降幅为75.1%,这表明双目标RVM模型可有效提升特高拱坝位移预测的精度和稳定性,并降低不确定性。     

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

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。     

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。     

不同核函数RVM的冰凌检测能力比较

利用HJ-1A/1B卫星CCD数据进行黄河凌汛监测,提出了利用相关向量机的检测冰凌,并对比了不同核函数的冰凌检测效果。实验结果显示利用RVM和HJ-1A/1B卫星CCD数据能有效提取出黄河冰凌范围,RBF核函数的稳定性和精度要高于改进型RBF核函数,但改进型RBF核函数的相关向量的个数要明显少于RBF核函数,因此测试速度要高于RBF核函数。     

顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价

滑坡灾害易发性分析评价对地质灾害的防治与管理具有重要意义。针对滑坡灾害样本选择策略,单核支持向量机多特征映射不合理的问题,本文提出顾及样本优化选择的多核支持向量机(multiple kernel support vector machine,MKSVM)滑坡灾害易发性分析评价方法。为了保证样本平衡性并提高负样本的合理性,采用相对频率比(relative frequency,RF)综合评价各状态对于滑坡灾害易发性影响的重要程度,实现各评价因子状态的合理划分;利用确定性系数法(certainty factor,CF)计算各评价因子各状态分级影响滑坡灾害的敏感性,并在此基础上进行加权求和得到各栅格单元的滑坡灾害易发性指数,在滑坡灾害易发性指数极低和低易发区内随机选择与滑坡灾害点数目一致的非滑坡灾害点作为负样本数据。利用MKSVM对各特征空间最优核函数进行线性组合,解决了单一核函数映射不合理的问题,提高了模型的分类准确率和预测精度。以湖南省湘西土家族苗族自治州为研究区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面对CF样本策略的MKSVM模型、CF样本策略的单核SVM模型、随机样本策略的MKSVM模型、随机样本策略的单核SVM模型进行了对比分析。结果表明,4种模型的受试者工作特征曲线(receiver operating characteristic,ROC)下的面积(area under curve,AUC)分别为0.859、0.809、0.798、0.766,验证了CF样本策略的合理性、有效性及MKSVM模型的可靠性。     

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。