MEA-BP神经网络在大坝变形预测应用

针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型。通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性。     

神经网络专家系统在大坝变形预测中的应用

探讨了将人工神经网络专家系统用于大坝变形预测的方法，给出了系统功能结构框图，并对各模块的功能进行了分析。     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

基于局域均值分解和BP神经网络的大坝变形预测

从时频联合域分析角度出发,探讨基于局域均值分解(LMD)和BP神经网络模型的大坝变形预测方法;利用局域均值分解把时间序列分解为多个具有不同尺度的PF分量,然后再用BP神经网络对其进行预测并将结果进行叠加重构合成。实例结果表明,基于LMD-BP的大坝变形预测方法的预测精度高于多项式曲线拟合预测模型,其预测结果与实际监测值相比具有较高的一致性。     

基于Matlab工具箱的神经网络在大坝变形区间预报中的应用

进行基于人工神经网络的大坝变形区间的分析与预报研究,运用Matlab工具箱建立BP神经网络模型,进行大坝变形区间的分析与预报,并与传统的逐步回归预报方法进行比较.结果表明,BP神经网络用于大坝变形区间的预报是可行的,在预报效果上优于逐步回归方法.     

大坝变形预报神经网络专家系统方法研究

随着水利资源的开发，坝址的地质条件越来越复杂，大坝的规模也向高大型方向发展，大坝安全显得更为突出和重要，这对大坝安全监控提出了更高的要求。随着大坝数量的增加、时间推移、坝龄的增长，大坝失事的几率也随之上升，大坝安全是一个关系到社会公共安全的重要问题。大坝变形分析与预报可为保障大坝安全、掌握大坝运行状态提供重要依据。人工神经网络专家系统技术在大坝变形分析与预报方面已表现出了很好的特性。     

基于蚁群-BP神经网络的基坑变形预测

由于神经网络具有较好的自组织和自适应特点,已被广泛应用于基坑变形预测领域.但神经网络中节点的权值最优化难以处理.为进一步提高BP神经网络性能,实现准确、快速预测基坑变形的目的,可将蚁群算法作为BP神经网络的学习算法,建立一种新的蚁群神经网络预测模型.实例表明,基于蚁群—BP神经网络的基坑变形预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力,取得了较好的效果.     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阔值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析.与经典BP神经网络模型的预测结果相比,粒子群- BP神经网络模型的收敛速度更快、预测精度更高.     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题，对大坝水平位移值应用灰色预测作了较好的预测，对ＧＭ模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度，从而表明灰色预测对大坝变形分析是一种适用的数据处理方法。     

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。     

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。     

动态神经网络在变形预报中的应用

静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。如果每增加一个样本对神经网络重新训练,需要大量的计算时间。针对该问题,提出了动态神经网络预报模型。在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正。为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率。通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域。     

基于神经网络的变形预报方法研究

对BP,RBF,Elman 3种神经网络模型进行了简要概括,将其应用于实际工程案例中,经过多角度综合分析,验证了3种模型进行变形预报的可行性,同时得出对实际工程具有指导性意义的结论。     

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。     

模糊神经网络在变形分析与预报中的应用研究

研究了模糊神经网络的网络建模,提出了单点建模、分组建模和整体建模3种建模方法,为变形分析和预报提供了新思路。结合滑坡变形实例,指出了模糊神经网在工程变形分析和预报中的可行性。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于小波滤波的神经网络变形预测

运用小波滤波的的优越性,消除数据噪声,使数据更加的接近真实的数据和更具规律性,有利于我们对数据发展趋势的预测。对消噪后的数据,利用BP神经网络强大的学习能力建立预测网络。在建立网络时,输入样本为监测k时段序列k和第k-1时段变形量与再k-2时段变形量之差组成的二维向量,目标样本为小波滤波后的变形量。并与GM（1,1）。模型和回归模型进行了对比。     

小波变换和BP神经网络模型在沉降变形监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。