变形观测数据的经验模态傅里叶分析

针对变形分析及变形预测中非平稳非线性且含噪声的数据处理问题,该文采用经验模态分解技术提取反映变形趋势的低频逼近信号,利用傅里叶函数对低频逼近信号进行曲线拟合,并据此构建变形值预测模型,对出现的模型系数采用遗传算法求解。实例仿真表明所得预测模型具有较高的精确度,能满足工程需要。EMD-Fourier模型实质上是初等数学模型,具有结构简单、运算结果稳定、操作方便等优点。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

基于岭回归的大坝变形位移模型

大坝回归建模中常常因自变量间的多重共线性产生病态问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测.     

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。     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题，对大坝水平位移值应用灰色预测作了较好的预测，对ＧＭ模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度，从而表明灰色预测对大坝变形分析是一种适用的数据处理方法。     

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

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。     

利用PCA-SVM的大坝变形预测研究

主成分分析(PCA)能够有效地提取数据的特征信息,消除变量间的共线性,而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显著的优点。本文将主成分分析应用到大坝变形影响因子的优化中,解决了由影响因子内部相关性而引入大量因子的问题,降低了输入维数,简化了输入结构。将简化后的数据作为SVM的输入因子,减少了SVM学习的时间,提高了拟合效率。试验结果表明该方法具有较高的预测精度和较强的泛化能力。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。     

基于TLS的多变量灰色模型在大坝变形预报中的应用

传统多变量灰色模型MGM(1,n)的背景值误差会使得求解的灰色参数精度降低。总体最小二乘是一种可以同时顾及到观测误差与模型系数矩阵误差的数学方法。基于此,引入TLS对传统MGM(1,n)模型的灰色参数进行修正。通过对某大坝变形数据试算,验证表明,该方法能够有效地提高变形预报精度。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容,贯穿于项目的设计、施工和运行,对监测的沉降数据进行处理,并预测沉降量,提前对工程作出安全预警,有很重要的实际意义。本文基于GM(1,1)灰色模型、小波分析和神经网络结合的相关理论,借助Matlab软件编程,建立了灰色-小波神经网络变形预测网络模型。结合工程实例,将建立的变形预测网络模型应用于累积沉降量观测数据,结果表明组合模型具有很稳定的预测效果,比单独的GM(1,1)灰色模型预测准确度高,且训练样本越多,预测越符合实际情况。     

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。     

变形监测信号消噪的不确定度

变形表现为一种弱信号,误差呈现为强噪声。小波包分解消噪是对分解中所得到的高频部分再继续细分,因此具有更精细的消噪能力。采用最优小波包基进行信号重构的过程中,信号有一定的损失。若将消噪过程近似成拟合,拟合误差符合正态分布,可以采用假设检验法估计信号重构误差的区间,进而确定信号重构误差的不确定度,评价小波包消噪的质量。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。