基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

RVM-MC模型在大坝变形监控中的应用

基于相关向量机(RVM)本身泛化能力优良,对解决高维数的非线性问题效果明显的优点,将相关向量机应用于大坝安全监控中,采用一种改进的粒子群算法(APPSO)对核函数进行寻优,同时利用马尔科夫链处理模型残差以提高模型的拟合预测精度,进而建立RVM-MC监控模型。实例应用结果表明,与标准RVM模型相比,RVM-MC模型精度和泛化能力均有了显著提高。     

基于不同核函数的某重力拱坝相关向量机模型精度比较

鉴于相关向量机的模型精度受核函数的影响较大,建立了基于修正高斯核函数、多项式核函数及其混合核函数的某重力拱坝相关向量机模型,并利用自适应粒子群算法对核函数的参数进行寻优。实例应用结果表明,混合核函数的性能最优,可提高大坝安全预测精度。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

特高拱坝多参数反演的智能优化径向基函数网络模型

利用大坝的监测数据对大坝力学参数进行精确反演，对于确保大坝的安全稳定运行至关重要。对此，提出基于径向基函数(RBF)网络和人工大猩猩部队优化算法(GTO)的拱坝参数反演模型。首先，采用RBF代理模型代替有限元模型，探讨材料参数与监测点位移响应之间的关系，RBF代理模型的采样数据由高效的拉丁超立方采样技术生成；其次，采用GTO智能优化算法，使材料参数识别的目标函数最小。工程实例分析结果表明，RBF-GTO模型能够在降低计算成本的同时实现高精度的混凝土特高拱坝参数反演分析。     

基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

传统的混凝土拱坝位移预测模型仅考虑各类影响因子对预测结果的影响,未充分挖掘残差序列中的有效信息。为此,首先运用关联向量机(RVM)结合粒子群(PSO)算法建立拱坝位移预测的PSO-RVM模型;然后采用奇异谱分析(SSA)对残差序列进行分解,并根据奇异值的累计贡献率筛选分量进行重构;其次利用随机森林算法(RF)对重构序列进行预测,得到残差序列的修正值;最后将PSO-RVM模型预测值与残差序列修正值叠加,建立基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型PSO-RVM+。工程实例表明,奇异谱分析与随机森林算法能有效提取残差序列中的有效信息并对残差进行修正;相较于PSO-RVM、RVM及传统的回归模型(SWR)等位移预测模型,PSO-RVM+组合预测模型的预测性能更优、适应性更强。本研究能为大坝安全监控与健康诊断提供一种新的思路。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

瀑布沟水电站坝体渗流监控优化数学模型精度分析

鉴于构建合理的瀑布沟坝体渗流监控数学模型对其坝体渗流安全评价至关重要,利用水位动态效应影响权重概念构建水位因子,并在引入主成分分析理论深入分析库水位滞后影响特性的基础上,提出了瀑布沟坝体渗流监控优化数学模型。结合瀑布沟大坝坝体渗流原观监测资料分析的结果表明,该优化模型较传统模型形式更加简洁,提高了分析精度及合理性,可合理评价瀑布沟大坝坝体的渗流状态,对相似工程的坝体渗流分析具有一定的参考与应用价值。