融合混沌残差的大坝位移蛙跳式组合预报模型

针对大坝位移监控统计分析中拟合残差序列内蕴的混沌成分,以及传统算法在挖掘监测信息时的优势单一性,结合常规优化算法特点,运用蛙跳算法(shuffled frog leaping algorithm,SFLA)在确定子模型最优权重的基础上,建立了基于SFLA的大坝位移组合预报模型。考虑到统计分析中拟合残差序列的混沌特性,利用相空间重构及混沌理论对位移残差序列值进行分析与预测,并将其残差预测项与SFLA组合模型预测值进行叠加,据此,提出了一种融合混沌残差的大坝位移蛙跳式组合预报方法,并研制了其考虑混沌残差的大坝位移蛙跳算法的实施程序。实例分析表明,所建立的模型与方法相对传统方法在拟合精度及收敛速度方面较优,其模型预报能力有明显提升,这也为其他水工建筑物安全监控模型中位移等效应量的预报分析提供了新方法。     

MVMD-ARMA残差修正电离层预测模型的研究及应用

针对变分模态分解端点效应处理方法的缺陷和分解过程中需要人为地控制输入参数,会严重影响预测结果,且ARMA模型本身在极值点附近预测精度就不高的问题,该文提出了MVMD-ARMA残差修正电离层预测模型,加强对分解时端点效应的控制,并通过阈值条件,自动选取最优参数,且对预测结果进行了残差修正。实验结果表明,改进模型的绝对残差均值为0.95TECU,分别比ARMA模型和VMD-ARMA模型小0.20TECU和0.11TECU;残差标准差均值为0.67,分别比ARMA模型和VMD-ARMA模型小0.17和0.09;平均相对精度的均值为88.64%,分别比ARMA模型和VMD-ARMA模型高2.56%和2.23%。     

三角函数法拟合与ARMA模型拟合在上海SLR测站残差规律分析中的应用比较

综合利用三角函数法拟合与ARMA模型拟合方法对上海SLR测站坐标残差序列进行规律分析,实验结果表明:三角函数法拟合能够直观方便的拟合出残差序列中的周期规律,有助于深入研究引起残差周期规律的各种地球物理机制;而ARMA建模拟合更加适用于拟合残差序列本身,可以有效地减小剩余误差。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

大坝实测性态模糊积分评判模型的研究

在分析了大坝实测性态评价体系的基础上,将模糊积分评判模型引入到大坝实测性态评价中来,为客观定量地研究大坝实测性态评价方法提供了一条新的途径。示例表明,所提出的大坝实测性态模糊积分评判模型是合理、可行的。     

小波分解下的变形预报组合模型

利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。     

RBF神经网络组合模型在GPS高程拟合中的应用

针对函数模型和BP(back propagation)神经网络等常用GPS高程拟合方法模型单一、拟合精度不高的问题,本文在上述模型高程异常拟合的基础上使用RBF(radial basis function)神经网络对拟合残差值进行二次拟合,对高程异常拟合值进行残差改正以提高拟合精度。从内外符合精度、拟合残差大小分布等方面对组合模型和单一模型拟合结果进行对比,结果表明:组合模型的拟合精度相较于函数模型有显著提高,但对BP神经网络的拟合结果改善不明显。     

扩展大坝变形预报方法的应用

关于大坝变形观测,国内外都在进行研究,但如何提高大坝变形的精度及准确性是进一步研究的课题。本文主要是讨论将m个观测点的观测数据进行联合处理的几个问题。文章首先简述所采用的外部变形分析的观测数据。讨论扩展法的模型建立,模型误差、预报精度等问题,然后介绍扩展大坝变形预报法,最后进行实测数据例子的计算、比较和分析。结果表明,扩展法明显地优于一般的预测法。又能准确地预报大坝位移的上移。对于大坝位移曲线的异常预报是很重要的。扩展大坝变形预测法能达到及时的预报大坝位移曲线的异常。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

基于基因表达式编程的大坝位移强度聚类分析研究

在水利水电事业不断发展的今天,大坝的变形监测显得尤其的重要。大坝变形监测的最终目的是通过监测点的变形数据来预测大坝变形未来的变形量。这也是传统的大坝变形监测常用的预测方法,然而这些方法都只是针对单个监测点进行预测,却不能反映大坝的整体形变。对于大坝整体变形的研究方面,虽然出现了一些有关多测点的研究方法,但距离大坝整体变形的目标还是相差甚远。针对这种情况,本文提出用聚类分析的方法来研究大坝整体变形规律。并将具有高效的全局搜索能力和高效的数据挖掘能力的进化算法---基因表达式编程算法用于聚类分析模型的建立中。提出基因表达是编程的大坝位移强度聚类分析模型。通过实例证明该模型能够反映大坝的整体变形规律。     

时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

多尺度ARMA残差修正模型震前电离层TEC异常探测

为提高电离层总电子含量（total electronic content，TEC）扰动探测参考背景值的预测精度，提出了多尺度自回归移动平均（autoregressive moving average，ARMA）残差修正模型。通过对比该方法、ARMA模型、四分位距法（inter quartile range，IQR）及滑动时窗法对TEC背景值的预测精度，结果显示修正模型预测的TEC背景值平均相对精度为89.78%，分别比ARMA模型、IQR及滑动时窗法高5.18%、1.41%和1.42%，且预测值的残差绝对值小于等于3.0 TECU的百分比为91.67%，明显优于其他3种方法，说明修正模型探测震前TEC异常是可行的。利用该方法探测2013-04-20芦山县Mw7.0级地震震前电离层TEC扰动情况，验证了该方法的有效性。实验结果表明，震前第9天和第13天电离层明显的正异常和震前第1~4天明显的负异常极可能是孕育地震引起的，且正异常主要出现在08:00-10:00 UT，而负异常主要集中在0:00-14:00 UT。     

支座位移预警的相空间重构与神经网络模型实现

针对桥梁健康监测系统支座位移预警阈值的设置问题,该文采用相空间重构与滑动窗口Elman神经网络预测模型相结合的方法进行研究。以国内某特大跨径拱桥支座位移作为研究对象,选用改进的C-C算法确定嵌入维数和延迟时间,通过对一维时间序列的重构来恢复系统原动力特征。同时,为避免Elman神经网络训练时长过大、不能在线及时更新参数的问题,采用滑动窗口方法对Elman神经网络训练数据进行实时更新,建立基于相空间重构的滑动窗口Elman神经网络预警模型,对支座位移预测均值进行区间估计。实验表明该预警方法能够得到区间型的位移阈值,可以敏感地发现位移的异常变化,实现多级预警,确保桥梁安全。     

广义残差地形模型及其在局部重力场逼近中的应用

研究了残差地形模型中的非调和性问题,比较了基于棱柱体和球冠体的积分模型,提出了基于球冠体积分的广义残差地形模型。以泊松小波径向基函数为构造基函数,结合广义残差地形模型,融合多源实测重力数据构建了局部区域重力场模型。研究结果表明:基于棱柱体积分的残差地形模型精度较低,在山区可能引入毫伽级以上的误差,建议采用更为接近真实地形表面的球冠体积分模型。相比于原始的残差地形模型,基于球冠体积分的广义残差地形模型能更为精确地逼近局部重力场模型中地形因素引起的高频效应。     

顾及残差约束的多面函数法融合卫星测高和船载重力

融合多源重力数据是精化局部区域重力场的必要手段。本文通过引入残差约束因子,改进了基于多面函数的多源海洋重力数据解析融合方法。以日本群岛附近海域为例,使用卫星测高反演重力场模型和船载重力数据,分析了分块大小、融合船载重力数据量及其分布对该方法的影响,并与改进前多面函数法及最小二乘配置法的结果进行比较,验证了改进方法的可靠性和有效性。与验证船载重力数据相比,顾及残差约束的多面函数法精度最好,极值和标准差均显著下降。与多面函数法相比,不仅较好地改善了控制船载测点附近的不符值,而且将其较好地推估至整个区域的船载观测数据之间,残差分布合理,且无明显测线状误差。     

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。     

改进的MEEMD-ARMA残差修正组合预测模型

针对改进集总平均经验模态分解(MEEMD)的端点效应、分解分量过多以及自回归滑动平均(ARMA)模型在极值点附近预测效果不好,该文提出一种改进的MEEMD与ARMA残差修正组合预测模型。采用支持向量机(SVM)进行数据延拓,样本熵为分解分量合并尺度以及残差修正预测值,较好地解决MEEMD的端点效应和分解分量过多的问题,提高ARMA模型预测值在极值点附近的精度。利用国际GNSS服务(IGS)提供的2015年年积日为135~164d不同经纬度电离层总电子含量数据,用3种模型对5d内的数据进行预测。实验结果表明:改进模型很好地抑制了端点效应,合理地减少了MEEMD分量,提高了极值点附近的预测精度,且整体精度得到大幅提升。     

大坝变形分析与预报的有限元法

在阐述有限元法基本理论的基础上，研究了采用ANSYS有限元分析软件进行大坝有限元建模、网格划分、荷载及边界条件施加等大坝变形分析的方法，在用有限元法获得水位位移分量及温度位移分量后建立大坝位移确定性模型，从而对大坝的变形监测提供可靠的依据。     

大坝监测资料的时变Kalman预测模型

基于对大坝监测资料预测模型时变性的要求,在模型LS参数求解过程中引入遗忘因子,提出了能够实现模型参数实时更新的IWRLS算法。在此基础上,为使预测模型体现物理含义的同时实现滤波操作,在Kalman滤波方程组中融入统计模型、ARMA等多种方法,由此建立了考虑白色观测噪声的时变Kalman预测模型。实例分析表明,时变Kalman模型拟合及预测精度均优于传统统计模型,为大坝监测资料的预测分析提供了新思路。     

基于可变形状参数Gamma分布的模糊聚类多视SAR图像分割

针对传统模糊聚类分割算法无法克服合成孔径雷达(synthetic aperture radar, SAR)图像中固有的斑点噪声问题, 提出了一种利用可变形状参数Gamma分布和邻域相关性的模糊聚类分割算法。可变形状参数Gamma分布用于建模多视SAR强度图像的斑点噪声, 并以其负对数作为特征场中像素与聚类间强度的相似性测度模型; 通过马尔可夫随机场(Markov random field, MRF)建立标号场中邻域像素的类属相关性模型; 在模糊聚类框架下, 以上述模型为基础构建模糊目标函数; 在目标函数最小化准则下, 求解最优结果。实验表明, 可变形状参数Gamma分布能够更加准确地拟合同质区域内像素强度的统计直方图。为有效求解包涵在Gamma函数内的形状参数, 采用牛顿迭代算法估计其数值解。对合成和真实多视SAR图像分别进行分割实验, 定性、定量分析的结果验证了本文算法的有效性。