局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

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。     

Application of least median of squared orthogonal distance (LMD) and LMD-based reweighted least squares (RLS) methods on the stock-recruitment relationship

ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｍｏｓｔｉｍｐｏｒｔａｎｔａｎｄｇｅｎｅｒａｌｌｙｍｏｓｔｄｉｆｆｉｃｕｌｔｐｒｏｂｌｅｍｉｎｂｉｏｌｏｇｉｃａｌａｓｓｅｓｓｍｅｎｔｏｆｆｉｓｈｅｒｉｅｓｉｓｐｒｏｂａｂｌｙｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｔｏｃｋａｎｄｒｅｃｒｕｉｔｍｅｎｔ(Ｈｉｌｂｏｒｎｅｔａｌ.,1992).Ａｎａｌｙｓｉｓｏｆｓｔｏｃｋｒｅｃｒｕｉｔｍｅｎｔ(ＳＲ)ｄａｔａｉｓｍｏｓｔｏｆｔｅｎｄｏｎｅｂｙｆｉｔｔｉｎｇｖａｒｉｏｕｓｃｕｒｖｅｓｏｆＳＲｒｅｌａｔｉｏｎｓｈｉｐｔｏｔｈ…     

LMD-GM(1,1)模型及其在变形监测中的应用

将局部均值分解(LMD)方法应用在监测数据中。实验结果表明,LMD-GM(1,1)模型的拟合效果和预测效果比EMD-GM(1,1)模型和GM(1,1)模型好,具有更高的应用价值。