基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

混合智能算法在需水预测模型中的应用

针对需水预测过程中传统预测方法及单一智能优化算法预测精度低的问题,研究了粒子群算法和遗传算法混合运用在优化需水预测模型中的优越性,建立了基于混合智能算法优化LS-SVM的需水预测模型。实例应用表明,该模型拟合精度较高,预测结果较合理,具有一定的先进性。     

基于小波核函数和支持向量机的大坝变形预测

支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。     

基于RDPSO结构优化的三隐层BP神经网络水质预测模型及应用

提出基于随机漂移粒子群(RDPSO)算法结构优化的三隐层BP神经网络水质预测方法,利用RDPSO算法优化三隐层BP神经网络隐层节点数,构建三隐层RDPSO-BP水质预测模型,并与基于单隐层、双隐层节点优化的RDPSO-BP神经网络、基于网络权值阈值优化的RDPSO-BP神经网络预测模型作对比,以云南省五里冲水库总氮预测为例进行实例研究,利用实例60个月的总氮监测资料对此4种模型进行训练和预测。结果显示,三隐层RDPSO-BP神经网络模型对总氮预测的平均相对误差绝对值为6.98%,预测精度远高于其他3种模型,具有较好的预测精度和泛化能力。模型及方法可为相关水质预测研究提供参考。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于径向基函数神经网络降雨产流预测研究

从径向基函数神经网络原理分析出发,探讨用于降雨产流预测的神经网络模型,并将此模型应用于泜河上.预测和检验结果表明,基于径向基函数神经网络预测模型可以很好地反映流域降雨产流问题.     

大伙房水库水质预测中水文水质模型联合应用分析

水质是水库运行质量的重要参考标准,水质的检测项目包括水中所溶解的氧气含量、磷的含量、叶绿素a的含量以及水体透明度等,通过对这些指标的检测来评价水体的富营养化程度。文章使用了线性回归分析法,对参数进行了优化,并建立多种数学模型,利用现有的检测数据对大伙房水库的水质进行预测,并通过一些误差计算方式对预测的结果进行评价。根据预测结果与评价结果,自适应神经模糊推理数据预测模型对水质的预测效果要比多元化线性预测模型以及径向基神经预测模型要好,所以对大伙房水库的水质预测结果以自适应神经模糊推理数据预测模型的预测结果为参考标准。     

基于紫外-可见光谱法的水质COD检测预测模型应用

本文针对紫外-可见光谱法水质COD在线、实时检测要求,提出了一种PCA和PSO-ELM预测模型,以此分析锦州市水质COD实时检测数据。在数据处理时,主要借助主成分分析法对锦州市某研究区水质COD检测光谱数据进行降维处理,然后通过特征信息的提取,利用粒子群优化极限学习机预测模型对水质情况进行合理预测。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

粒子群优化算法在确定河流水质参数中的应用

将粒子群优化(PSO)算法应用于求解分析瞬时投放示踪剂情况下的一维河流水团示踪试验数据,以及确定河流水质参数的函数优化问题。分别就粒子数目和待估水质参数的初始取值范围对算法运算过程的影响进行了数值实验。结果表明:①PSO算法能够有效地应用于求解分析河流水质试验数据,确定水质参数的函数优化问题;②粒子数目的多少对迭代次数、运算时间和算法是否收敛有一定的影响,在粒子数目较大的情况下,可以保证运算过程收敛;③待估参数初始猜测值的选取范围对迭代次数也有一定的影响,选取范围越大,需要的迭代次数越多。最后,指出了需要进一步研究的问题。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

基于粒子群优化GM(1,1)模型的黑龙江省农作物播种面积发展态势研究

介绍了灰色GM(1,1)预测模型和粒子群算法的基本原理,提出了基于粒子群优化的GM(1,1)模型建模思路。以黑龙江省连续15年的农作物播种面积数据为基础,建立了基于粒子群优化的GM(1,1)灰色预测模型,对黑龙江省农作物播种面积进行了模拟和预测,并对预测结果进了检验。精度检验结果表明:模型有效性和可靠性较高,可以对黑龙江省未来几年的农作物播种面积进行预测。该模型揭示了黑龙江省农作物播种面积随时间的变化规律,对黑龙江省土地利用规划部门合理进行土地规划,切实保障农民的利益,提高农民耕种的积极性具有重要意义。     

基于微粒群算法的海堤渗压RBF神经网络监测模型

为提高海堤安全监控能力,从渗压实测数据以及潮位因子和降雨因子入手,使用影响因子的合理形式,利用径向基函数(RBF)神经网络建立渗压监测模型,推导微分进化微粒群优化算法(DPSO)速度和位移进化的数值计算方程,以此确定渗压RBF神经网络模型的聚类中心,并由此对渗压进行拟合和预测。以120组实测样本对模型进行训练拟合,并对后期60组渗压进行预测,得到拟合段平均相对误差为0.83%,相应预测段为1.71%。实际应用表明,经微分进化微粒群算法优化后,渗压RBF神经网络模型可以有效反映及预测渗压变化。     

基于改进正余弦优化神经网络的水体余氯预测

为保证居民用水安全,搭建更加准确、稳定的水质余氯预测模型,提出了一种改进正余弦算法优化神经网络的水体余氯预测模型。在正余弦算法(SCA)位置变化中加入非线性权重,平衡全局勘探和局部开发能力;同时在粒子更新后融入Levy飞行,丰富种群多样性,强化局部搜索能力;将改进正余弦算法用于BP神经网络参数优化,搭建ISCA-BP水体余氯预测模型。利用在线水质监测设备的监测数据进行余氯含量预测,不同预测模型结果对比表明,ISCA-BP模型预测结果相对误差的平均值为4.04%,均方根误差为0.011 3 mg/L,与BP、RBF神经网络模型相比,误差最小,模型预测结果与实际值最接近,泛化能力更强,预测结果精确度高,稳定性好。     

基于改进粒子群算法的重力坝断面优化研究

将粒子群算法与罚函数相结合,把非线性约束优化问题转化为无约束优化问题,解决工程上多约束优化问题。为了防止粒子群算法陷入局部最优,引入退火算法帮助粒子跳出局部最优解,从而避免粒子后期单一方向进化问题,改善粒子全局搜索能力,同时考虑到最优解一般在边界附近取得,故引入动态罚函数加强粒子对可行域边界搜索,加快最值的搜索速度。将上述方法应用于实际重力坝断面优化设计,结果表明:改进的粒子群优化算法不仅保持了良好的收敛性,而且动态罚函数还具有构造简单实用,同时退火算法减少了粒子群优化算法对大量粒子的依赖程度,验证了改进算法的有效性和可行性。     

改进的灰色-马尔科夫模型在地下水水质预测中的应用研究

应用粒子群优化算法对传统灰色-马尔科夫模型分组求解进行优化改进,并将改进的灰色-马尔科夫模型用于地下水水质预测中,结合地下水水质监测数据对比改进前后的灰色-马尔科夫模型地下水水质预测精度。研究结果表明:改进的灰色-马尔科夫模型提高了传统模型对波动性的水质数据预测的准确度,相比于传统模型,改进的灰色-马尔科夫模型年预测值和实测年值之间相关系数提高0.1897;在月值预测中,模型的相关误差均值减少13.1%,模型在地下水水质预测精度得到明显提高和改善。研究成果对于区域地下水水质预测提供参考价值。     

基于IQPSO优化SVM在径流预报中的应用

提高径流预报精度的关键因素是选取合适的预报模型和预报因子。选择支持向量机作为径流预报模型,针对支持向量机模型参数在应用中存在选取困难的缺点,在标准量子粒子群算法中加入早熟判定准则、高斯扰动和自适应权重,提出改进量子粒子群算法(IQPSO),并使用该算法实现支持向量机参数的自动优选。为了验证效果,分别采用PSO-SVM、QPSO-SVM和径向基神经网络模型预报作对比,并使用多种评价指标进行对比分析。结果表明,使用改进量子粒子群算法优化支持向量机(IQPSO-SVM)模型能够有效提高月径流预报精度。