基于混沌优化极限学习机的库岸边坡变形预测

为提高库区岸坡变形的非线性预测精度,提出利用极限学习机构建库区岸坡的非线性预测模型。首先,利用逐步试算法优化极限学习机的激励函数和隐层神经元数;其次,采用Rosenstein算法评价边坡变形序列的混沌特性,利用空间重构来实现极限学习机的混沌优化,进而构建混沌优化ELM模型。分析表明,不同实例的最优网络参数具有差异,通过逐步试算法能很好地确定最优参数;库岸边坡的变形序列均具有混沌特性,通过混沌理论的空间重构优化,能有效提高预测精度,且预测结果较传统神经网络具有较大的优越性。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

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M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。     

基于SVM-ARIMA的大坝变形预测模型

大坝变形的实测值序列是一个非线性、非平稳的时间序列,支持向量机引入核函数后能有效解决非线性问题,因此可用支持向量机对大坝变形进行预测。为了提高预测精度,进一步对残差序列进行分析,通过ARIMA模型对残差序列进行预测,建立了SVM-ARIMA组合模型。将大坝变形时间序列分为趋势项和误差项,分别用SVM和ARIMA模型进行预测,综合两项结果得到模型的预测值。结合实测资料对模型进行检验,结果表明组合模型精度较高。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于机器学习的重力坝变形监测统计模型及应用

为了提升重力坝变形监测模型精度,文章采用极限学习机(ELM)、基于网格搜索和交叉验证的支持向量机、基于模拟退火遗传算法优化的BP神经网络(GASA-BP)三种机器学习方法对经验模态分解(EMD)重构的周期项进行训练和预测,并与传统的最小二乘法进行对比分析。结果表明,机器学习算法可以有效提升模型的拟合及预测精度。     

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。     

MLR-Legendre多项式模型在混凝土坝裂缝开度预测中的应用

在混凝土坝裂缝开度预测中得到了广泛应用的统计回归模型仍存在不足。首先,对小容量样本的观测时间序列难以建立有效的统计回归模型;其次,预测模型未能考虑残差项,而残差项包含了裂缝发展演变的海量信息,为了准确预测裂缝开度还须在预测模型中纳入残差项。同时,统计回归模型的残差序列中存在混沌成分,残差项受到某种动力特性支配,故基于混沌理论对残差项进行推求,建立了统计与混沌混合预测模型。采用基于Legendre多项式的RLS(递推最小二乘法)自适应预测算法,提出了针对小容量样本观测数据时间序列的实时预测模型以及针对大容量样本观测数据时间序列的统计回归-Legendre多项式残差预测模型。最后,结合陈村重力拱坝在105 m高程的裂缝开度实测数据,对裂缝开度实时预测模型以及统计回归-Legendre多项式组合模型分别进行了检验,结果表明模型具有良好的预测精度,可为工程的安全运行管理工作提供一定的技术支持。     

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。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

基于PSR和PSO的区域地下水埋深ELM预测模型

针对传统区域地下水埋深预测方法精度不高问题,提出一种基于相空间重构(PSR)、粒子群算法(PSO)的极限学习机(ELM)的非线性预测模型。首先利用C-C法对地下水埋深原始时序数据进行相空间重构(PSR),然后利用PSO-ELM对地下水埋深进行预测。将模型应用于中国黑龙江省红兴隆管理局红旗岭农场地下水埋深预测,结果表明:该模型取得了较好的预测效果,后验差比值C为0.074,小误差频率p为1,相对均方误差E1为6.36%,拟合准确率E2达到92.66%,试预报效果指标E3达到95.80%;与PSR-ELM、PSR-RBF等模型相比,PSR-PSO-ELM在试预报方面可使RMSE分别降低49%和70%,使误差区间分别降低28.2%和68.6%,证明PSO能够有效改善ELM模型的预测性能;分析了气候因素和人类活动对当地地下水埋深动态变化的影响。     

基于遗传算法的Elman神经网络模型在大坝位移预测中的应用

针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网络模型在预测大坝变形时具有全局收敛的特点,可以克服Elman神经网络容易陷入局部极小的缺陷。将该模型用于预测某水电站大坝实测变形数据,表明GA-Elman神经网络模型的预测精度高,在大坝位移预测中具备实用性。