基于统一强度理论的土石坝边坡稳定分析遗传算法

将非线性统一强度理论应用于土石坝边坡稳定分析中,考虑坝体各应力分量包括中间主应力对土质材料强度的影响,以区别于传统土石坝稳定分析中仅考虑剪切和拉伸极限强度的极限平衡法。提出了一个土石坝边坡稳定优化分析模型,并采用最优化遗传算法对土石坝边坡进行断裂面优化搜索。研究表明,统一强度理论中反映中间主应力效应系数值变化对坝体稳定安全系数有显著影响。利用遗传算法对土石坝边坡稳定进行分析时,不必事先假定滑裂面的形状,根据土石坝非线性统一强度理论的剪裂破坏准则进行滑裂面搜索。针对常规最优化方法容易陷入局部最优解的缺陷,基于MATLAB遗传算法工具箱对土石坝边坡稳定性进行分析,分析结果表明,统一强度理论结合遗传算法能克服常规最优化方法在寻优过程中一些缺陷,计算结果更自然合理。     

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。     

Forecasting of chlorophyll-a concentrations in South San Francisco Bay using five different models

Accurate and reliable eutrophication level forecasting models are necessary for characterizing complicated water quality processes in bays. In this study, the ability of coupled discrete wavelet transform (DWT) with artificial neural network (ANN) and multi linear regression (MLR) (WANN and WMLR), ANN, MLR and genetic algorithm-support vector regression (GA-SVR) models for chlorophyll-a level forecasting applications were considered. The data used to develop and validate the models were monthly chlorophyll-a (Chl-a) data recorded from January 1994 to December 2013 were obtained from the NO.36 station located in the South San Francisco bay, USA. In the proposed WANN and WMLR models, the observed time series of Chl-a were decomposed to sub time series at different scales by DWT. Afterwards, the sub time series were used as input data to the ANN and MLR systems to predict the 1 month ahead Chl-a. Also the genetic algorithm was linked to SVR models to search for the optimal SVR parameters. The relative performance of the proposed models was compared together and the results showed that the WANN models were found to provide more accurate monthly Chl-a forecasts compared to the other models. The determination coefficient was 0.87, −0.04, 0.31, −2.36 and 0.24 for the WANN, WMLR, ANN, MLR and GA-SVR models, respectively. In addition, the WANN model predicted extreme Chl-a values precisely. The results indicate that the WANN models are a promising new method for eutrophication level forecasting in bays such as those found in South San Francisco Bay.     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。     

使用遗传算法优化雷达测量降水Z-R关系

将遗传算法应用到雷达测量降水的Z-R关系参数优化问题中,通过引入改进的误差函数加入总降水量误差控制,对1998年6月28日~7月2日阜阳地区的两次降水过程进行了参数优化试验,并和常规的最小二乘法、最优化方法及M-P参数法进行了对比,试验结果表明:新方法在总降水量估测方面具有更高的准确性和更好的动态适应性。     

1880年以来的全球升温趋势探究

由于导致全球温度异常的因素的多样性,使得至21世纪末全球温度是否将持续上升存在较大的不确定性.文章基于新兴的非数值算法的遗传算法,对1880～2009年全球温度异常数据,做了驱动因子挖掘,将全球温度异常分解为人类活动的碳排放造成的温度波动和全球气候系统自然振动的温度波动两部分.研究发现,当前全球气候系统存在持续变暖的趋...     

遗传算法改进的BP神经网络在混沌径流时间序列预测中的应用

区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。