利用组合模型进行大坝变形的预报

针对大坝变形监测序列的多尺度、年周期性和非平稳趋势性特征,采用最小二乘与广义回归神经网络的组合模型法进行预报,同时考虑到大坝变形与水位因子的相关性,在模型中引入水位数据进行大坝变形的预报。通过实验表明,加入水位数据的组合预报模型相比单独采用大坝变形监测数据的模型,预报精度有显著的提高。     

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。     

基于神经网络的大坝位移模型分析

结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。     

大坝变形预报的模糊神经网络模型

在介绍模糊推理神经网络FNNLM训练算法及网络参数的确定方法的基础上,以东江大坝12个测点的水平位移预报为例,说明了模糊神经网络模型具有训练时间短、预报精度高的优势。     

基于岭回归的大坝变形位移模型

大坝回归建模中常常因自变量间的多重共线性产生病态问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测.     

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。     

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.     

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。     

基于CEEMD的电离层TEC组合预报模型

针对单一电离层总电子含量(TEC)预报模型存在的缺陷,如受外界因素干扰较大、预报精度随预报时间的增加明显降低等,本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先,利用CEEMD对TEC原始序列进行自适应分解,得到具有不同频率的分量并依据分量复杂度分析结果进行重构;其次,使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报,使用Holt-Winters模型对低频分量进行建模与预报;最后,重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验,结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高,在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果,稳定性高。     

小波分解下的变形预报组合模型

利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。     

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。     

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。     

基于灰色组合模型的电离层电子含量预报

为了提高电离层VTEC预报的精度,该文采用GM(2,1)模型对电离层VTEC序列进行周期性趋势项提取,对其残差序列建立时间序列模型,形成灰色时序组合模型,进行电离层VTEC预报。实例计算结果表明,基于灰色时序组合模型的电离层VTEC预报精度较高,稳定性较好,且随着预报天数的增加,该模型的预报精度有所降低;高纬度地区的电离层VTEC预报精度最高、最为稳定,中纬度地区次之,而低纬度地区的预报精度最低、稳定性最差。     

残差修正的GM(1,1)模型在滑坡位移预测中的应用

根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。     

改进的MEEMD-ARMA残差修正组合预测模型

针对改进集总平均经验模态分解(MEEMD)的端点效应、分解分量过多以及自回归滑动平均(ARMA)模型在极值点附近预测效果不好,该文提出一种改进的MEEMD与ARMA残差修正组合预测模型。采用支持向量机(SVM)进行数据延拓,样本熵为分解分量合并尺度以及残差修正预测值,较好地解决MEEMD的端点效应和分解分量过多的问题,提高ARMA模型预测值在极值点附近的精度。利用国际GNSS服务(IGS)提供的2015年年积日为135~164d不同经纬度电离层总电子含量数据,用3种模型对5d内的数据进行预测。实验结果表明:改进模型很好地抑制了端点效应,合理地减少了MEEMD分量,提高了极值点附近的预测精度,且整体精度得到大幅提升。     

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...     

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。     

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。     

GM(1,1)残差修正模型在建筑形变预报中的应用

通过对比建筑形变监测数据的GM(1,1)模型和改进的GM(1,1)残差修正模型建模的预报结果,表明残差修正GM(1,1)模型的预报精度明显高于传统GM(1,1)模型的预报精度,并且二次残差修正GM(1,1)模型的预报精度远高于一次残差修正GM(1,1)模型的预报精度,从而为准确形变预报提供了一种简单而有效地新实践。     

基于ARIMA与Holt-Winters组合模型的电离层TEC预报

分别采用时间序列中的求和自回归移动平均模型ARIMA(Autoregressive integrated moving average)模型和指数平滑模型Holt-Winters的加法模型,对IGS站发布的广西地区16个格网点进行短期的电子含量TEC预报。并利用组合权重的方法对两种模型组合进行TEC短期预报。分析比较不同季节各个模型的预测效果,以及电子含量的变化与太阳黑子数变化之间的联系。结果表明,组合模型的预测精度在各个季节都优于两种单一模型,不同季节,太阳黑子数的含量和电离层电子含量预测的精度也有较大差异。