基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

最优加权组合预测模型在大坝变形监测中的应用

探讨最优的大坝变形预测模型,为大坝安全运行提供依据。建立基于多元线性回归、时间序列、BP神经网络3个单项模型的一般组合及最优加权组合预测模型。并采用相关性系数、均方根误差对各模型预测精度进行检验。通过对水布垭面板堆石坝坝体沉降进行预测,其结果表明BP神经网络模型和最优加权组合模型的预测精度都比较高,均适用于该工程的变形预测,尤其是ARMA-BP加权组合预测模型,计算便捷,预测精度较高,可供同类工程借鉴使用。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

三种模型在洞庭湖区域地下水资源量预测中的应用

为了建立适应于洞庭湖区域地下水资源量变化规律的预测模型,在分析洞庭湖区域河川天然径流量、长江三口入水量、城陵矶出水量与地下水资源量相关性的基础上,分别利用多因子逐步回归模型、BP神经网络模型和多变量时间序列CAR模型建立了3种洞庭湖区域地下水资源量预测模型,并对所建立的3种模型的预测精度和预测结果整体规律进行了对比分析。研究结果表明:地下水资源量与河川天然径流量、长江三口入水量、城陵矶出水量具有较好的相关性;多变量时间序列CAR模型的预测精度较好,BP神经网络模型的预测精度次之,而多因子逐步回归模型的预测精度较差;多变量时间序列CAR模型的预测结果整体规律优于BP神经网络模型,而BP神经网络模型的预测结果整体规律则优于多因子逐步回归模型。     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

灰色模型和BP神经网络模型在城市时用水量预测中的应用比较

在城市时用水量预测模型中,灰色模型和BP神经网络模型是两个应用较为广泛的模型,是它们有着各自的优缺点,预测精度也不相同.本文以南方某市为例,基于两种模型的预测原理,利用MATLAB数学软件对该市的时用水量进行了预测,并对两个预测模型的预测结果进行了误差比较分析,得出了BP神经网络模型是适合该市的时用水量预测模型.     

基于神经网络的基坑变形动态预测研究

基坑开挖过程中,需要根据实际情况及建筑安全等级进行严格的变形控制,有效的变形预测能更好地指导施工。根据某基坑工程现场监测数据,应用MATLAB 7神经网络工具箱,建立了基于BP网络的基坑变形多步预测模型A和动态预测模型B,并与广义回归网络建立的模型对比。结果表明,动态预测的精度明显高于多步预测模型;在变形数据随时间递增的情况下,BP神经网络比广义回归网络动态预测精度高,泛化能力强,平均预测误差约3.3%,能满足实际工程要求。更多还原     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段。针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中。结果表明,改进的BP网络预测模型具有出色的非线性逼近能力,可准确表征变形趋势,且精度明显优于相应的统计模型。该法在大坝安全监测中具有一定的可行性和实用性。     

土岩组合地区基坑变形的预测方法研究

对影响土岩组合地区基坑变形的主要因素进行了分析,并采用人工智能——BP神经网络的方法对土岩组合地区基坑的变形进行了预测研究。基于已有的研究资料,分析和总结了影响基坑变形的主要因素;建立了BP神经网络预测模型;借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了基坑土岩组合地区基坑的最大侧移量。经与实测值比较,预测精度可满足工程的需要。该预测研究可对土岩组合地区基坑的设计与施工提供一定的参考。更多还原     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

深基坑支护结构位移的神经网络预测

针对深基坑系统的复杂性和变形非线性,将人工神经网络技术引入其中。在分析讨论了人工神经网络中应用最为广泛的BP网络基本原理的基础上,建立了基坑变形预测的神经网络模型,并应用Bayesian方法对实例加以论证。研究表明,神经网络是解决基坑变形预测的有效方法之一。     

多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。