时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

LS+AR组合模型在大坝变形预报中的应用

针对大坝变形监测数据的年周期性特点,建立了大坝变形监测序列的拟合外推模型,提出了利用最小二乘外推(LS)与自回归(AR)组合模型预报大坝变形监测数据的方法。通过实验比较说明,LS+AR组合与AR模型相比,在大坝变形监测的预报精度上有一定程度的改善。     

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。     

基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

基于曲线拟合的AR模型在地铁施工监测中的应用

在地铁施工过程中,进行实时监测、数据分析与预报可以为施工安全提供保障。AR模型可用于对监测数据进行分析与预报,且具有一定的精度。文章在曲线拟合的基础上,计算得到原始观测数据与拟合数据之间的残差序列,代替由差分法计算得到的残差序列,从而建立改进的AR模型,并通过地铁施工监测实例对AR模型与改进的AR模型的预测结果精度进行验证。结果表明:改进的AR模型较AR模型预测结果精度更为准确、可靠。     

ARIMA乘积季节模型在大坝位移监测中的应用

提出了应用ARIMA乘积季节模型对大坝位移监测数据进行分析和预报的新方法,并给出了基于开源R语言建立乘积季节模型的方法步骤和关键技术。结合某大坝径向位移监测数据进行计算分析,结果表明：ARIMA乘积季节模型能较准确地预报大坝位移趋势,具有较高的预测精度。     

基于上凸序列的修正GM(1,1)模型应用

针对观测数据趋势为上凸型的序列,利用传统的残差修正GM(1,1)模型难以表现其实际趋势变化的情况。鉴于此,提出了一种新的GM(1,1)残差修正方法,通过分析GM(1,1)模型对上凸序列建模时残差的变化规律,采用残差序列分段、负值正化处理的方法,对分段处理后的残差序列进行拟合预测。该方法已被应用于工程实例中,取得了较理想的拟合预测效果,验证了其在实际工程应用中的可行性。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

一种组合模型在卫星钟差长期预报中的应用研究

近年来,卫星钟差长期预报普遍采用灰色模型,该模型的预报精度虽较传统的二次多项式模型有所提高,但仍不理想。本文在其基础上提出了一种新的组合模型:首先利用灰色模型估计的残差建立二次多项式模型,预报以后历元的残差,然后和灰色模型的预报结果相加;并分析了利用不同历元个数的残差建模所得组合模型的精度,将组合模型与灰色模型、二次多项式模型的预报精度进行了比较。结果表明:组合模型相对于灰色模型的预报精度能提高一个数量级左右,验证了本文提出的组合模型的可行性和有效性。     

新陈代谢GM(1,1)模型在大坝边坡沉降监测中的应用

针对传统GM(1,1)模型存在数据序列的初始值过旧使预测意义减弱的问题,文中采用更新数据序列初始值的新陈代谢GM(1,1)模型对传统模型进行改进;以南方某大坝边坡监测点的沉降位移为例,分别使用两种模型对该监测点沉降位移进行拟合预测并与实际值进行比较。实验证明,新陈代谢GM(1,1)模型精度明显高于传统模型,更接近于真实值。     

CPSO-BP组合优化模型的滑坡位移预测

针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。     

改进不等时距权重的灰色残差组合修正模型及其应用

为提高传统不等时距灰色模型(TUTGM)的预测精度,提出了一种改进不等时距权重的灰色残差组合修正模型(IUTWGMRCC)。首先在传统不等时距灰色模型中引入时距权重分配系数,按照累加生成和累减还原过程的生成序列不同,构建了4种不同的预测模型,并依据相似度准则确定最优拟合序列和预测值;然后采用正弦函数和谐波变化生成的周期序列函数修正残差序列,进一步提高模型的预测精度;最后对建筑物3个观测点的沉降量进行预测。结果表明,累减还原过程引入不等时距权重的灰色模型预测精度最高,经残差组合修正后,预测结果的后验差比分别为0.04、0.11和0.05,精度等级为1级。     

大坝变形时间序列的奇异谱分析

为了研究大坝变形规律并分析其影响因子,利用奇异谱分析(SSA)提取大坝变形时间序列的趋势和周期分量,并分析各分量与时效、温度和水位因子的关联性。通过分析某大坝实测数据,发现大坝存在徐变和周期性弹性形变。其中,徐变即趋势项,主要与时效因子有关;弹性形变对应的周期项主要与温度和水位的周期变化有关,且温度因子与弹性形变的相关性明显大于水位因子。利用提取的趋势和周期项对大坝变形时间序列进行拟合并预测,其拟合和预测误差分别为0.52和0.24 mm;若采用传统的多元线性回归模型进行拟合和预测,其误差则分别为0.81和0.57 mm。这表明奇异谱方法的拟合和预测精度均优于多元回归法,能够更准确地预测大坝变形。     

混沌理论支持下的桥梁变形监测研究

针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。     

基于ARMA模型的GPS钟差预报改进研究

以导航卫星钟误差预报钟常用的传统预测方法(二次项拟合模型与灰色模型)为基础,依据各自适用的特点,对IGS提供卫星钟差的时间序列进行了分解并建模分析。二次多项式模型参与建模的观测数据多,模型比较稳定,但是模型是关于时间的函数,随着时间的增长,预报误差也会积累,因此适合短期预报。灰色模型仅利用4个数据即可建立模型,因此可以加快建模的速度,模型的精度与时间没有直接关系,因此适合长期预测。传统预测模型二次多项式拟合与灰色模型建模时忽略了钟差中的随机项,利用时间序列模型对随机项进行了时间序列分解分析。     

优化非等时距加权灰色-时序组合模型在地铁监测中的应用

对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势.本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列.在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证.结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性.     

利用多项式拟合预测残差修正法估算周跳值

本文针对多项式法探测周跳的问题,从理论上分析了多项式拟合的预测误差,认为预测模型系数的不准确使得预报残差中含有模型预测残差,并提出一种估算模型预测残差的办法。进一步提出了一种较精确的计算周跳的方法——预测残差修正法,最后用实际数据进行了验算,证明该方法有效。     

动态评估策略的GEP算法在大坎变形预测中的应用

针对传统基因表达式编程方法预测方面的不足,采用动态评估策略的GEP算法深入分析并预测了大坝变形趋势,对监测某大坝变形进行了预测分析。实验表明,与传统GEP预测方法相比,动态评估策略的GEP算法预测精度优于传统的GEP预测,克服了传统GEP预测方法的不足,提高测量精度,在大坝监测预报中是有效可行的。     

大坝位移性态的多模型联合预警方法

传统方法采用单一的模型开展大坝位移性态预警,虚假警报频次较高。为提升预警结果的可靠性,提出多模型联合预警方法。以水位-温度-时效模型(hydraulic-season-time, HST)、自回归滑动平均模型(autoregressive moving average, ARMA)为研究对象,采用核密度估计探讨了两类模型残差的一维分布规律。在此基础上,对两类模型的联合残差进行了频率分析,发现了联合残差非尾部弱相关、尾部强相关的分布特征。采用Copula函数对HST-ARMA联合残差进行拟合,得到了联合分布函数,实现了大坝位移性态的多模型联合预警。算例表明,采用单一的HST模型或ARMA模型预警,受建模序列特征以及模型结构特征的影响,虚假警报发生率高达23.17%～27.94%。而采用HST-ARMA联合预警,能够充分结合各模型的优势,虚假警报发生率可降至0.00%～0.63%。多模型联合预警能够有效降低虚假警报的发生频次,预警结果能够更加真实地反映大坝位移性态,可为提升大坝安全管理水平提供参考。     

大坝变形分析遗传神经网络模型的改进

针对基本遗传算法（SGA）收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络（IGA-BP）模型,并将该模型应用于大坝水平位移的预测。结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的改善。