基于极限位移准则和变形预测的滑坡变形潜势分析

为准确掌握库区滑坡变形潜势,在变形监测成果统计基础上,首先利用极限位移准则开展滑坡现状变形潜势分析;然后以相关向量机为理论基础,通过优化处理保证其参数最优性,构建滑坡变形预测模型,并以预测结果开展滑坡变形潜势的发展趋势评价;最后结合两种分析结果,实现滑坡综合变形潜势分析。结果表明,不同监测点的现状变形潜势状态存在一定差异,由不利原则可知,现状变形潜势等级为Ⅳ级,潜势程度属严重状态;滑坡变形仍会进一步增加,变形潜势趋于不利方向发展。综合两种分析结果可知,滑坡变形潜势处于不利状态,后期失稳可能性较大,应加强灾害防治,避免成灾损失。     

基于相空间重构的FOA-GLSSVM深基坑变形预测模型研究

针对LSSVM模型参数选择的随机性与单一变量序列高维度重构参数选择的困难性,将相空间重构理论、果蝇优化算法引入LSSVM模型中,建立基于相空间重构的FOA-GLSSVM变形预测模型。为了验证提出模型的有效性与可靠性,结合具体工程实例与GLSSVM、支持向量机模型及最小二乘支持向量机模型进行对比研究。结果表明,提出的模型精度更好、稳定性更强。     

基于相空间重构的GA-SVR组合模型边坡位移预测研究

在传统支持向量回归机的基础上,考虑观测数据的混沌特性,通过对训练样本的相空间重构,并结合遗传算法在寻参上的优势,建立边坡变形的相空间重构GA-SVR组合模型。通过组合模型对某矿山边坡位移预测值与实测值进行对比分析,发现组合模型在预测精度上更具优势。     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法,证实了新方法的有效性及可靠性。
     

基于小波分解和最小二乘支持向量机的大坝变形预测

文章针对大坝变形受多种不确定性因素的影响,提出一种基于小波分解和最小二乘支持向量机的大坝变形预测方法。利用小波将大坝位移序列分解成不同频率特征的子序列,根据分解得到的子序列特点,同时考虑水位和温度的影响,构造不同的最小二乘支持向量机模型对子序列进行预测,最后对各子序列预测值进行重构得到最终的预测值。实验对比分析表明,该方法对大坝变形的预测具有较高的精度。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

特大型顺层古滑坡复活变形特征分析及变形预测研究

为有效掌握古滑坡复活特征及其变形规律,基于滑坡区现场调查成果,首先开展其复活变形特征分析,再利用WPT-ROA-RVM-CT模型进行滑坡变形预测研究。结果表明,在强降雨或持续降雨后,滑坡地表裂缝较为发育,具有张剪性质,且滑坡呈明显推移式特征,即滑坡中、后缘变形明显大于前缘,变形方向具有逆时针变化规律,充分说明古滑坡复活变形特征显著。同时,通过变形预测,验证WPT-ROA-RVM-CT模型具有较高的预测精度,并经外推预测,得到滑坡后续变形速率均为正值且较大,判断滑坡后续变形还会进一步增加,具有较大失稳风险,需尽快开展灾害防治研究。     

基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

基于灰色最小二乘支持向量机的大坝变形预测

提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。     

基于无人机测绘技术的露天矿区边坡变形识别方法

为了提高露天矿区边坡变形区域的识别准确率,研究基于无人机测绘技术的露天矿区边坡变形识别方法,引用无人机倾斜摄影测量技术采集露天矿区边坡图像,通过尺度不变特征变化算法从图像中提取边缘特征点,实现图像配准,使用小面元微分校正法和空三解算方法校正图像偏移和倾斜,从配准后的图像中提取监测桩特征点,计算监测桩位移并生成位移云图,...     

用小波分析与灰色支持向量机预测高铁变形

针对高铁变形监测数据的非线性特征,构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列,通过嵌入维数的确定和高低频数据的相关性分析,将重构后的随机序列作为遗传算法优化SVR模型的输入,对近似序列则采用灰色支持向量机来描述其演变特征,最后将二者预测结果进行耦合叠加,得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例,将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价,结果表明该模型较好地拟合了近似分量,同时避免了细节分量的过拟合,为高铁变形预测提供了新途径。     

基于EM算法优化相关向量机的BDS-3超快速钟差预报

提出一种基于EM算法优化相关向量机(RVM)的BDS-3超快速钟差预报算法。首先,利用组合MAD法预处理钟差数据,并进行一次差分计算;然后,利用钟差一次差分数据对RVM模型进行训练,通过EM算法迭代求取模型的超参数;最后,利用优化后的RVM模型进行数据预测,将钟差一次差分预测值还原,得到钟差预报值。采用iGMAS中心提供的实测BDS-3超快速钟差数据进行预报实验,并将本文模型与QP模型、SA模型及iGMAS超快速钟差预报产品(ISU-P)结果进行对比分析。结果表明,对于6 h、12 h和24 h预报,本文模型预报BDS-3卫星钟差数据的平均精度均优于0.61 ns;与ISU-P、QP模型和SA模型相比,本文模型预报24 h时精度分别提升64.1%、50.0%和49.2%。     

基于灰色关联和相关向量机的隧道地表沉降预测

基于灰色关联算法确定与地表沉降有直接重要关联的主要影响因子,构建高斯核函数和多项式核函数的加权核函数,利用遗传算法优化模型参数,建立相关向量机地表沉降预测模型。实验结果表明,灰色关联算法能定量地反映系统影响因子与地表沉降变化的关联程度,有效处理不是完全明确的灰色系统信息;加权核函数的合理组合可较好地通过低维空间线性不可分映射变换到高维特征空间线性可分;遗传算法具有计算过程简单和自适应迭代寻优特点;相关向量机模型可极大地减少核函数的计算量,计算过程和结果均具有概率解释。该模型预测结果的多项精度指标值均优于BP神经网络和GR-SVM方法。     

支持向量机与Newmark模型结合的地震滑坡易发性评估研究

Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。     

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。     

基于支持向量机理论的地下水动态遥感监测模型与应用

地下水是我国内陆干旱地区水资源的重要组成部分,也是极为敏感的生态环境因素之一。地下水动态变化影响着绿洲和湿地的演化,以及土地资源的开发。西北地区地下水监测网尚不完善,动态资料相对缺乏。遥感技术可以弥补传统地下水位监测手段的不足。由于降水极少,西北干旱区地表反射率与地下水水位埋深关系极其密切。选用归一化植被指数(NDVI)、地表温度(LST)数据,应用支持向量机回归方法,建立西北干旱地区地下水位遥感监测模型。提取MODIS影像中的NDVI和LST产品上的地表温度和植被指数信息,作为模型的输入,通过合理选择核函数进行支持向量机的回归分析,从而建立地表植被指数、地表温度与地下水位的相关数学模型,并分析了不同核函数所拟合结果。在河西走廊疏勒河流域的研究成果表明,运用MODIS数据开发地下水动态模型反演水位变化是可行的,模型拟合的结果比较符合实际情况,尤其是对于细土平原地下水浅埋地区模型应用效果更为理想。一次多项式核函数适合模拟埋深小于3m浅埋地下水,径向基函数RBF核函数和三次多项式核函数法则更适合模拟较大埋深情况。开发的地下水位遥感监测模型可为西北干旱区水循环研究和流域水资源管理提供技术手段。