经验模态分解和最小二乘支持向量机在大坝变形预测中的应用

由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

智能优化LSSVM算法的混沌时间序列边坡变形预测模型

边坡变形序列存在一定混沌特征,本文将混沌分析方法应用到边坡变形预测中。为解决标准LSSVM模型中惩罚参数和核函数参数因任意给定或经验给定带来的非最优问题,将遗传算法和粒子群算法引入LSSVM模型,根据变形序列建立GA-LSSVM和PSO-LSSVM预测模型,与标准LSSVM混沌预测模型和基于神经网络的混沌预测模型进行比较。结果表明,GA-LSSVM和PSO-LSSVM模型预测中误差分别为0.73 mm和0.77 mm,LSSVM,BP,RBF三种模型中误差分别为0.90 mm,0.80 mm和0.75 mm;因此,本文提出的预测模型用于边坡变形预测比其他几种模型具有更高的精度。     

基于遗传算法的小波神经网络模型预测大坝变形

为了提高大坝变形的预测精度,提出一种基于遗传算法的小波神经网络模型。首先通过对BP神经网络隐含层神经元的替换,弥补了网络易收敛于局部极小点的缺陷,增强了函数逼近能力,进而建立了小波神经网络大坝预测模型;再利用该模型对大坝变形训练集进行学习,并运用遗传算法选取全局最优参数。该方法充分利用了小波神经网络强大的非线性预测能力和遗传算法的全局优化搜索功能,弥补了BP神经网络存在的理论缺点。将其与小波神经网络、BP神经网络进行比较,实验结果表明该方法具有更优的局部预测值、更高的全局预测精度,适用于复杂的大坝变形预测。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

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。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

基于CEEMD和LSTM方法的深基坑沉降变形预测

为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。     

大坝变形的去噪傅里叶模型预测

针对大坝变形预测中非平稳性且含噪声的数据处理问题,该文提出一种基于剔除含噪声信号的大坝变形傅里叶(Fourier)预测新算法。首先利用经验模态分解(EMD)法将变形时间序列分解成具有不同尺度特征的固有模态函数(IMF)分量,并计算出各分量与原始信号的相关系数;然后根据相关系数剔除含噪声的IMF分量,并采用游程判定法对剩余的波动程度相似或相同的分量进行信号重构;最后利用傅里叶函数对重构后的分量进行曲线拟合,并据此构建大坝变形预测模型,对出现的模型系数采用最小二乘算法求解。经算例验证,并与GM(1,1)、BP神经网络和傅里叶模型对比分析,结果表明该文算法预测精度较高,可用于大坝的变形预测。     

地磁变化场的MEEMD-样本熵-LSSVM预测模型

针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。     

灰色系统和分形几何耦合的边坡变形预测模型研究与应用

针对小样本观测数据边坡变形预测,提出一种基于灰色系统理论和分形几何耦合的分形预测模型。该模型利用灰色系统理论来对原来分形模型中的分形维数进行拟合预测,通过对比传统分形模型和预测耦合模型预测结果的准确性和稳定性。结果表明在现有小样本监测数据序列情况下,改进分形模型不仅在预测精度上比传统分形模型高,而且还具有一定的抗波动性能力,边坡变形预测的稳定性也有所提高。     

MEA-BP神经网络在大坝变形预测应用

针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型。通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性。     

基于遗传小波神经网络的PM_(2.5)浓度预测模型

目前,雾霾天气频发,为了提高PM_(2.5)浓度的预测精度,建立了基于遗传算法优化的小波神经网络模型(GA-WNN)。该方法综合了遗传算法的全局搜索能力和小波神经网络(WNN)强大的非线性拟合的优点,弥补了传统神经网络容易陷入局部最小值和收敛速度慢的缺点。以河北省邢台市实时监测的PM_(2.5)浓度数据为样本进行建模预测,预测结果的平均相对误差为11%。将其小波神经网络进行对比分析,实验结果表明:该方法有效地提高了预测精度,为短时的PM_(2.5)含量预测提供了一个新途径。     

基于小波神经网络的某边坡预测研究

边坡地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理、有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文中将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

基于小波分析AR(P)-SVR组合模型在大坝变形预测中的应用

监测序列经小波分解后,得到低频分量和高频分量。对低频分量采用自回归AR(P)模型预测,对高频分量采用支持向量回归机SVR模型预测,最后将各分量进行小波重构,得到监测序列的预测值。结果表明,此种预测方法比直接使用SVR模型或经小波分解后再采用SVR模型预测精度高。     

地铁施工段地表沉降组合预测模型研究

为解决地铁施工段地表沉降随机波动较大对预测模型造成扰动的问题,提出了一种组合预测模型。首先利用Mallat算法对沉降序列进行分解和重构,分解并重构出非平稳时间序列中的平滑分量和细节分量;然后,对平滑分量用灰色模型进行拟合与初步预测,对细节分量则引入马尔可夫模型进行预测;最后,将各模型的预测结果进行叠加,从而得到原始沉降序列的预测值。该方法能充分拟合平滑分量数据,而且可避免对细节分量的过拟合,防止随机波动较大值造成模型的整体偏离。通过实例验算得出该模型具有很好的预测精度。     

基于时间序列分析的露天矿边坡沉降预测模型

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。