基于MEA-WNN的大坝变形预测

文章将思维进化优化算法引入大坝变形预测领域,提出基于思维进化法优化小波神经网络(MEA-WNN)的大坝变形预测模型。通过算例验证,并与WNN、GA-WNN对比分析,认为该模型能够克服多数进化算法的不足,提高算法的整体搜索效率,同时能够确保较优的局部预测值和较好的全局预测精度,具备快速的收敛能力,验证MEAWNN预测模型在大坝变形预测中的可行性和实用性。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

基于VMD-HPO-BiLSTM的大坝变形预测

引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机(LSSVR)中惩罚参数c和核函数参数σ难以确定,以及标准人工蜂群算法(ABC)易陷入局部最优、收敛速度慢等问题,提出一种改进的人工蜂群算法(IABC)来优化LSSVR的参数并进行变形预测研究。首先,IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性,一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优,并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力;其次,以LSSVR的预测精度为目标函数,并将其转化为IABC的适应度函数,以此构建出基于IABC优化LSSVR的预测模型;最后,以基坑监测数据为例,将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明,IABC增加了种群的多样性,提高了收敛精度,基于IABC优化的LSSVR模型预测的变形趋势更符合实际,预测精度高于对比模型。     

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。     

优化组合预测模型在桥梁变形预测中的应用

为提高桥梁变形预测的精度,探讨不同预测模型在桥梁变形预测中的效果,结合桥梁变形监测数据及组合预测思路,构建桥梁的MC误差修正优化组合预测模型。通过实例验证得出,组合预测较单项预测具有更高的预测精度及稳定性,其中以RBF神经网络组合的预测精度最高;同时,误差优化修正模型进一步减小了预测误差,优化后预测结果的相对误差期望值为0.86%,方差值为0.097 3 mm2,准确预测了桥梁变形,验证了该思路的有效性。     

优化循环神经网络在滑坡位移预测中的应用

以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法,证实了新方法的有效性及可靠性。
     

����IPSO-BPģ�͵Ĵ�Ӷ�Դ�������Ԥ���뷴��

???????????????????IPSO??????????????????????м??????????????????????????????????????????????????????????????????????????????BP?????????γ?IPSO_BP??????????????????μ????????????????????????IPSO_BP???????????????Ч??????????????????????????????     

基于核混合效应回归模型的地震数据预测

针对地震观测数据难以准确预测的难题,提出基于核混合效应回归模型。为验证该算法模型的可行性,结合湖北地震台站地球物理仪器产出数据开展仿真实验,并与传统的神经网络算法作对比。结果表明,该模型能准确预测地震地球物理观测数据且性能优于其他神经网络算法,对水温、水位数据的预测相对误差低于0.05%及0.48%。该研究为地震监测预报人员积累、分析地震基础数据提供了全新思路,同时也为较复杂的深度学习类算法框架模型的构建提供了实践基础。     

通过改进自适应PSO优化BP网络预测大坝变形

提出自适应粒子群神经网络（ADPPSO-BP）算法,并加入自适应变异算子,提高粒子跳出局部搜索的能力,实现对坝体位移的精准预测。以丰满大坝为例进行验证,建立PSO-BP（粒子群神经网络）、LPSO-BP（线性粒子群神经网络）、改进ADPPSO-BP（改进自适应粒子群神经网络）3种模型,对大坝进行变形预测。结果表明,ADPPSO-BP预测误差最小。     

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。     

����Kalman�˲���BP�����緽���ڴ�ӱ���Ԥ���е�Ӧ��

??????????????BP?????緽??????????ι???????????????????????????????BP????????,???????ж?????????С????????????????С????????,???????????????????????????,?÷??????к??????????????????????     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。