基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

利用马尔科夫链修正的变维分形模型及其应用

以往的预测模型对数据长度有较强的依赖性,且数据出现较强的非线性时,将增加预测的复杂程度。为使监测数据呈现出一定的线性关系,基于分形理论,将常维分形改进为变维分形,并据此建立相应的数学模型,通过短期监测数据进行预测。考虑到变维分形得到的预测结果不可避免地存在一定的波动误差,对此,利用马尔科夫链(Markov)无后效性的特点对预测结果进行修正,从而提高预测精度。以西溪水库的监测资料数据为样本,建立其马尔科夫链-变维分形预测模型,结果显示最大误差修正值可达0.89%,占原预测误差的67.9%,表明利用马尔科夫链修正的变维分形模型能有效地减小误差,提高预测精度。     

基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

基于BP神经网络-马尔科夫链模型的隧道围岩位移预测

在隧道工程施工中,围岩位移预测起着很重要的作用。将BP神经网络-马尔科夫链模型引入到隧道围岩位移预测中来,通过对训练样本的学习,利用BP神经网络实现了对位移时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某公路隧道拱顶下沉位移时序预测中,结果表明该模型具有精度高、科学可靠的特点,为隧道围岩变形的预测提供了新的途径。     

模糊马尔科夫链预测模型在桂江流域径流预测中的应用

在马尔科夫链预测时需要把研究对象划分为不同的状态,而状态划分具有模糊性.提出了一种基于模糊的马尔科夫链预测模型,介绍了建模的方法和步骤,给出了模糊马尔科夫链的概率计算公式.将模型应用于桂江流域年径流预测分析,结果表明,预测与实际情况一致.     

经验模态分解方法应用于混凝土坝水平位移趋势分析及预测

水位和温度观测值序列中存在趋势性变化,这种趋势性变化也会导致大坝的趋势性变形。基于此,采用经验模态分解方法剔除水位和温度的趋势性变化过程,将剩余的高频部分用于预报变形的高频部分。而对于变形经过经验模态分解后得到的低频部分,采用多项式进行拟合,最终将低频和高频部分综合,实现对水平位移的预测。     

基于VMD-PE-CNN的混凝土坝变形预测模型

为了进一步提高混凝土坝变形预测精度,基于“先分解再重构”的思想,将变分模态分解(VMD)、排列熵(PE)与卷积神经网络(CNN)相结合,提出了一种混凝土坝变形预测模型。通过VMD和计算模态分解余量的PE将原始实测变形时间序列数据自适应地分解为一系列具有不同频域尺度特征的模态分量,然后将每个模态分量作为单独的子序列,采用CNN直接对各子序列进行时域建模并预测,最后将各个子序列的预测值叠加重构得到最终的大坝变形预测值。实测数据计算结果表明：采用计算模态分解余量PE的方法可以得到最优的模态分量个数,实现实测数据的最优分解;较之于CNN和LSTM模型,VMD-PE-CNN模型在测试数据上的均方根误差分别降低了61.8%和65.5%,显示出更强的预测能力。     

基于EEMD-ELM的大坝变形预测模型

建立合理可信的大坝变形监控模型对科学有效地分析大坝变形监测数据和准确可靠地评估大坝工作运行状况意义重大。通过EEMD算法分解大坝变形量,得到代表不同特征尺度的本征模函数(IMF)分量,针对不同IMF分量选择不同影响因素,将各IMF分量作为极限学习机(ELM)的训练样本对大坝变形分量进行分析、拟合、预测,最后累加各IMF分量的预测结果得到大坝变形预测值。以某碾压混凝土重力坝为例,利用EEMD-ELM模型对大坝变形量进行预测,同时与BPNN模型和ELM模型的预测结果进行对比分析,其中EEMD-ELM模型的平均相对误差为0.566,较BPNN模型、ELM模型分别降低54%和14.8%,表明EEMD-ELM模型预测精度更高,具备一定的应用价值。     

基于改进EMD-SSA-KELM的用水量预测方法研究

针对用水量具有波动性和不确定性,且预测时存在精度低、可信度差等问题,提出了改进经验模态分解法与麻雀搜索算法优化核极限学习机的组合预测模型。首先使用长短期记忆网络对人民胜利渠的原始引黄用水量序列进行极值延拓,改进经验模态分解法的端点效应;然后通过改进后的经验模态分解法将时序信号分解为若干个本征模态分量,使原始用水量信号平稳化;最后利用麻雀搜索算法优化核极限学习机,对原始用水量序列与通过改进后经验模态分解方法的用水量序列进行预测对比。结果表明：基于改进后经验模态分解方法有效地抑制了端点效应,模型预测误差降低43.51%、可信度提高76.79%,因此采用改进经验模态分解方法有效地提高麻雀搜索算法优化核极限学习机组合模型的预测精度和可信度,在水资源预测中更具适应性。     

利用灰色残差GM(1,1)-Markov模型预测水工混凝土的劣化

我国西北地区水工混凝土建筑物经常受到低温冻害和盐渍侵蚀作用,因此混凝土劣化预测的研究对水工建筑物的寿命预测具有十分重要的意义。为模拟水工混凝土建筑物所受到的破坏,以实验室方法进行混凝土试件的盐冻试验,得到4种工况下混凝土试件随着盐冻次数的增加,其质量和抗压强度的变化情况。研究抽取了其中两种工况的原始数据,首先利用灰色残差GM(1,1)模型对原始数据进行处理,并建立预测模型;然后通过预测模型进行计算,得到质量和抗压强度的修正值;最后通过灰色残差GM(1,1)-Markov模型,对150~200次盐冻试验的试件质量和抗压强度进行预测。结果表明:试件质量和抗压强度的预测值与原始值相比误差较小,说明该模型可较好预测混凝土劣化的质量和抗压强度损失。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于叠加的马尔科夫链的永吉县降水量分析

利用永吉县1957-2011年降水资料,采用线性回归法及叠加的马尔科夫链方法对永吉县的降水量进行分析,结果表明,永吉县降水量在54年中20世纪70-80年代为下降趋势,之后呈先上升后下降的趋势。以叠加的马尔科夫链可以很好的模拟永吉县降水量,但在大旱大涝年份误差较大,在计算中应综合降水序列整体进行计算以消除误差。     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

基于AFSA-RBF模型的混凝土平板坝变形监测

针对混凝土平板坝水平位移监测序列呈非线性变化的特点,采用经验模态分解(EMD)方法对混凝土平板坝水平位移监测序列进行分解,并采用计算最大信噪比的方法对信号进行去噪。面板坝的坝顶上下游方向水平位移主要受上下游水位和环境温度的影响,据此建立AFSA-RBF神经网络模型和RBF神经网络模型,对混凝土平板坝上下游方向水平位移进行预测,结果表明:AFSA-RBF模型能够很好地反映混凝土平板坝水平位移变化趋势和规律,预测结果有较高的精度,符合大坝安全监测的要求,可以在混凝土平板坝安全监测和评价中应用。     

基于变量筛选优化极限学习机的混凝土坝变形预测模型

传统的统计模型泛化能力较弱且容易引入高维变量,这将对基于神经网络预测模型的输出结果产生负面影响,同时增加了过拟合风险。因此,有必要建立一个具有适当维度的数据驱动模型,以实现对大坝变形的准确监控。选用极限学习机(ELM)作为基础预测模型,提出基于平均影响值MIV-ELM模型的变量筛选法,以消除初始变量集中的冗余信息,从而降低模型复杂度,提高预测精度。分析结果表明,与传统预测模型相比,HST-MIV-ELM不仅具有最高的预测精度和预测性能,同时也有较强的可拓展性,为大坝安全监控系统的构建提供了可靠的理论基础。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

加权马尔科夫链对汛期降水量的预测

根据碧流河水库坝址以上1958至2002年汛期的流域平均降水量,利用加权马尔科夫链法对2003—2005年汛期降水量进行预测,与实测结果相比,3年汛期降水量均在预测允许范围之内,计算方法简便,预测结果较准确,对水库调度有着重要意义。     

基于EEMD-SE-LSTM的混凝土坝变形监测模型

为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型.模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果.以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性.     

基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测

根据实际风电功率信号的波动性和非线性,提出了一种基于互补式集合经验模态分解(CEEMD)和樽海鞘群算法极限学习机(SSA-ELM)的短期风电功率预测模型.首先利用CEEMD将风电功率原始信号分解为一系列模态分量和剩余分量,以减小风电功率的非平稳性;其次采用樽海鞘群算法优化极限学习机对不同分量进行预测;最后将不同分量的预...