融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。     

PSO优化的分数阶PFDGM(1,1)模型在变形监测预报中的应用

对于形变监测中大量的变形监测数据序列的拟合和预测精度不理想的情况,提出了采用粒子群算法优化的分数阶算子PFDGM(1,1)模型,以及对变形监测数据进行拟合和预测的新方法。通过粒子群算法选择拟合DGM(1,1)模型平均绝对百分误差最小的分数阶,构建了最优分数阶算子的PFDGM(1,1)模型。用典型的变形监测数据验证了优化模型,结果表明优化模型对变形监测数据的拟合和预测都达到了较高的精度。说明优化模型在变形监测数据的处理中具有可行性和有效性。     

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。     

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。     

改进灰色人工神经网络模型的超高层建筑变形预测

针对灰色人工神经网络模型初始化权值和阈值的随机性导致易产生误差积累和过拟合的缺陷,该文利用遗传算法的全局优化能力训练灰色人工神经网络模型的权值和阈值,构建了基于遗传算法的灰色人工神经网络超高层建筑物变形预测模型。结合长沙北辰新河A1超高层建筑变形监测实例,用该文所提模型与灰色人工神经网络模型分别进行变形数据的处理分析和预测。实验结果表明,该文提出的模型具有更好的预测精度,预测趋势也更加逼近实际测量结果。     

诱发因素影响下的滑坡参数优化预测模型研究

在降雨等外界诱发因素的综合作用下,滑坡位移预测是一个复杂的动力系统问题。利用三峡库区白家包滑坡综合监测数据,分析滑坡演化实时特征,提取影响滑坡变形的最相关因素,研究发现白家包滑坡为降雨主导型堆积层滑坡;采用自回归综合移动模型（ARIMA）模型进行拟合及预测,引入月累积降雨量对模型季节性趋势参数进行评估优化,对白家包滑坡72期月相对位移数据进行拟合及预测研究,最终模型结果和实测值的平均绝对误差和相关系数分别为2.873和0.983。研究结果表明,与传统经验法相比,优化参数模型更符合滑坡变形的一般规律。     

GA-BP神经网络的GPS可降水量预测

针对传统BP神经网络模型存在的学习速度慢、易陷入局部极值以及网络结构参数取值的不确定性等问题,该文研究了一种基于遗传算法与BP神经网络相结合的GPS可降水量预测的新方法。该方法利用遗传算法对BP神经网络的初始权值和阈值进行优化,并对该模型进行训练,以提高预测模型的性能。实验结果证明了遗传BP神经网络模型用于GPS可降水量预测的可行性,其预测结果的均方根误差为0.16 mm、平均绝对百分误差为0.23%。相对于BP神经网络和小波神经网络模型,均方根误差分别降低了0.37和0.19 mm,平均绝对百分误差分别降低了0.62%和0.33%。同时遗传BP神经网络模型亦显示了很好的非线性拟合能力,能更好地预测GPS可降水量,对实际工作具有较强的参考价值。     

基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。     

利用互信息和IPSO-LSTM进行滑坡监测多源数据融合

针对滑坡监测中的多源异构数据融合问题,结合互信息(mutual information, MI)、改进粒子群优化算法(improved particle swarm optimization, IPSO)和长短期记忆神经网络(long short-term memory,LSTM),提出一种新的多源异构监测数据融合方法。该方法基于互信息对影响滑坡变形的多个环境因子变量进行筛选,将筛选后的环境因子变量作为LSTM模型的输入变量,以滑坡累计位移量数据作为期望输出数据,并通过改进的粒子群寻优方法对模型进行参数寻优,获取模型的最优参数组合,进一步提高融合模型的预测精度。采用中国贵州省六盘水市水城县发耳滑坡的全球导航卫星系统(global navigation satellite system,GNSS)实测数据进行实验,结果表明:基于互信息和IPSO-LSTM的数据融合算法适用于具有多源异构监测数据的滑坡变形预测,且基于互信息的环境因子变量筛选方法优于Pearson相关系数筛选方法,经改进粒子群算法参数寻优后,融合模型的均方根误差(root mean square error,RMSE)达到2.6 mm,平均绝对误差达到1.7 mm,拟合优度达0.994。     

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。     

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。     

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

基于最优分解模态和GRU模型的库岸滑坡位移预测研究

在滑坡位移综合预测研究中,常因滑坡随机位移分量无法准确提取、最优训练数据集及时效性无法确定等,造成多源监测数据利用不充分、位移预测结果不稳定。鉴于此,引入变分模态分解,在滑坡位移时序分析的基础上,结合门控循环单元递归神经网络,提出一种新型滑坡位移综合预测模型。以三峡库区白水河滑坡为例,选取2003-07—2012-12的位移监测数据和同时期库水位及降雨数据进行分析研究,综合模型预测结果的均方根误差为9.715 mm,判定系数为0.967。对比实验分析表明,该模型在保证高预测精度的同时,在有效预测时长和时效性上同样优势明显,在库岸滑坡位移预测研究中具有很强的应用和推广价值。     

基于TLS的多变量灰色模型在大坝变形预报中的应用

传统多变量灰色模型MGM(1,n)的背景值误差会使得求解的灰色参数精度降低。总体最小二乘是一种可以同时顾及到观测误差与模型系数矩阵误差的数学方法。基于此,引入TLS对传统MGM(1,n)模型的灰色参数进行修正。通过对某大坝变形数据试算,验证表明,该方法能够有效地提高变形预报精度。     

北斗二代导航卫星系统地壳运动监测能力

为了评估北斗卫星导航系统（BeiDou navigation satellite system, BDS）监测中国大陆地区地壳变形的技术能力,利用GAMIT/GLOBK软件处理了2017—2019年中国大陆构造环境监测网络23个基准站的全球定位系统（global positioning system, GPS）与BDS-2双模观测数据。结果显示,北斗二代的水平和垂向单日测站定位精度分别约为5~7 mm和13 mm,基线相对定位精度水平分量达到3~4 mm+（1~2）×10-8,水平位移速度测定精度约为0.6 mm/a。北斗二代的精密定位水平大致与20世纪90年代初GPS相当,可用于测定大尺度的板块运动及板内变形,但受卫星星座和定轨精度限制,不能准确反映季节性变动状态。作为对现有GPS监测的补充,可将基准站3年尺度的地壳运动监测精度最多提高20%。     

深度学习在大坝变形预测中的应用研究

大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。     

结合季节调整和NAR神经网络的流域地下水储量预测

利用重力场恢复与气候实验卫星反演的陆地水储量和全球陆地数据同化系统（global land data assimilation system,GLDAS）水文模型,从流域降雨分布信息出发,结合季节调整技术和非线性自回归（non-linear autoregressive,NAR）神经网络对流域地下水储量变化进行预测,并与未经过季节调整的NAR神经网络、自回归（autoregressive, AR）模型以及季节性自回归差分移动平均（seasonal autoregressive integrated moving average, SARIMA）模型进行对比分析。以长江流域、勒拿河流域、鄂毕河流域以及叶尼塞河流域为例,结果表明,经过季节调整后的流域降雨和地下水分别服从独立分布和一阶自回归模型,为NAR神经网络时延数的确定提供了新的途径。经过季节调整后的NAR神经网络的预测结果在4个流域的模型表现优于传统的AR模型和SARIMA模型,均方根误差在1 cm以内,相关系数超过0.96。结合季节调整和NAR神经网络提高了流域地下水储量预测精度,减少了训练参数,加快了神经网络的收敛速度。     

利用车载双天线InSAR系统监测公路边坡形变

星载差分合成孔径雷达干涉测量(differential interferometric synthetic aperture radar,DInSAR)技术已经广泛应用于大范围的地表形变监测,但星载合成孔径雷达（synthetic aperture radar,SAR）数据获取的地表形变易受大气噪声的影响,且长时间的重访周期会导致像对之间的失相干。为了有效减弱这些影响,提出了利用零空间基线的车载合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)系统监测公路边坡形变的方法。在车载双天线系统采集不同时相的公路边坡SAR数据时,通过轨道控制使得异时相干涉对的空间基线接近零,从而使得利用DInSAR数据进行形变信息提取时可以减少去平地相位的过程,极大地简化了差分干涉处理的流程。以中国湖北省武汉市某区域获取的车载双天线InSAR数据为例,使用所提出的方法对7个布设的角反射器点进行形变精度分析,得到形变值均方根误差为2.206 mm。