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。     

神经网络专家系统在大坝变形预测中的应用

探讨了将人工神经网络专家系统用于大坝变形预测的方法，给出了系统功能结构框图，并对各模块的功能进行了分析。     

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。     

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。     

小波神经网络在拦渣坝变形预测中的应用研究

针对单一模型很难准确预测拦渣坝变形大小的问题,介绍小波分析与神经网络有机结合的小波神经网络的基本原理,将其应用于某大型拦渣坝变形监测实例中,建立了拦渣坝变形预测的小波神经网络模型。通过将该模型与常规BP神经网络训练和预测结果的比较,可以看出小波神经网络在拦渣坝的变形预测中具有收敛速度快、预测精度高的特点。     

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SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

大坝变形预报的模糊神经网络模型

在介绍模糊推理神经网络FNNLM训练算法及网络参数的确定方法的基础上,以东江大坝12个测点的水平位移预报为例,说明了模糊神经网络模型具有训练时间短、预报精度高的优势。     

基于神经网络的变形预报方法研究

对BP,RBF,Elman 3种神经网络模型进行了简要概括,将其应用于实际工程案例中,经过多角度综合分析,验证了3种模型进行变形预报的可行性,同时得出对实际工程具有指导性意义的结论。     

基于RBF神经网络的变形预报研究与应用

在对RBF神经网络模型进行了详尽分析基础上,将其应用于实际工程案例中,多角度综合分析,验证了RBF神经网络模型进行变形预报的可行性,同时得出对实际工程起指导性意义的结论。     

基于小波滤波的神经网络变形预测

运用小波滤波的的优越性,消除数据噪声,使数据更加的接近真实的数据和更具规律性,有利于我们对数据发展趋势的预测。对消噪后的数据,利用BP神经网络强大的学习能力建立预测网络。在建立网络时,输入样本为监测k时段序列k和第k-1时段变形量与再k-2时段变形量之差组成的二维向量,目标样本为小波滤波后的变形量。并与GM（1,1）。模型和回归模型进行了对比。     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

基于Matlab工具箱的神经网络在大坝变形区间预报中的应用

进行基于人工神经网络的大坝变形区间的分析与预报研究,运用Matlab工具箱建立BP神经网络模型,进行大坝变形区间的分析与预报,并与传统的逐步回归预报方法进行比较.结果表明,BP神经网络用于大坝变形区间的预报是可行的,在预报效果上优于逐步回归方法.