基于逐步回归的AdaBoost-SVR模型在海上风电项目造价预测中的应用

为克服海上风电造价预测模型中自变量存在的多重共线性对建模的影响,同时针对现阶段海上风电实际成本数据较少,样本数量不多的现状,提出一种基于逐步回归的AdaBoost-SVR造价预测模型。逐步回归方法可有效提取重要自变量,避免多重共线性的影响。AdaBoost-SVR模型可在小样本的条件下保证模型的精度,同时提高泛化能力。工程实例分析表明该模型可有效提高预测精度。     

基于改进的偏最小二乘法的防渗帷幕防渗预测模型研究

针对偏最小二乘回归法含有全部自变量引起的预测误差问题,对偏最小二乘回归法进行了改进,采用主元选择的GA-PLSR法,即引入逐步回归方法中挑选和剔除因子的思想来选择与因变量相关性较强的自变量主元,然后利用偏最小二乘回归法进行建模,再采用遗传算法对其回归系数建立目标函数进行优化,确立最后的拟合模型用于因变量的预测,并通过实例应用,将选择主元的偏最小二乘回归模型、常规的偏最小二乘回归模型及基于主元选择的GA-PLSR模型的预测结果进行比较。结果表明,基于主元选择的GA-PLSR模型的拟合效果较好,且预测精度更高。     

基于逐步回归分析的用电量预测

文中针对用电量预测的多元线性回归模型，提出了逐步回归分析方法。与传统的多元线性回归模型相比较，逐步回归分析方法无需建立全部变量的回归方程，而是在全部自变量中按对因变量的作用大小，边进行显著性检验，边入选或剔除变量，不重要变量始终不进入回归方程，最后形成重要变量的最优回归方程。实例计算分析表明，与多元线性回归模型预测方法相比较，逐步回归预测模型对用电量的预测是有效的。     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。     

基于典型相关和人工粒子群的大坝监测分析模型

针对大坝安全监测多效应量统计分析模型存在相关性而影响模型精度问题,提出了优化方案,预先对效应量和影响因子进行典型相关性分析,实现变量降维并提取与效应量相关性大的自变量作为模型输入因子构建多元线性回归模型,并基于人工粒子群算法求解最优偏回归系数。经与全回归、逐步回归、偏最小二乘回归模型比较验证,实例表明所建模型有较优的拟合效果和预测精度、鲁棒性强。     

因子相关性对大坝监测模型精度的影响探究

介绍了逐步回归、岭回归、偏最小二乘回归、RBF神经网络、主成分RBF组合模型的基本思路与特点。以陈村大坝变形计算为例,分别建立了各种回归模型,比较了各种模型的优缺点,指出线性统计模型中偏最小二乘回归法的拟合精度及解释能力优于逐步回归、岭回归法;RBF神经网络、主成分RBF组合模型优于线性统计模型,主成分RBF组合模型最优,拟合及预测精度最好。     

基于逐步回归分析—马尔可夫链模型的大坝变形预测

针对预测大坝变形准确性难度较大的问题,综合逐步回归分析和马尔可夫链的优点,采用逐步回归分析法对大坝原型观测资料进行分析,得到回归模型,并判别回归方程的有效性和精度,同时利用马尔可夫链确定位移时序的状态转移概率矩阵,通过划分残差状态、修正实测值与逐步回归模型拟合值的绝对误差与相对误差,建立了大坝变形预测的逐步回归分析—马尔可夫链预测模型(SRA-MC)。实例应用结果表明,模型的拟合值与实测值吻合良好,预测效果好,可见逐步回归分析—马尔可夫链模型在进行大坝变形预测时具有有效性,可应用于大坝变形预测分析及大坝安全监控预警中。     

水库群优化运行的混合回归疏系数模型

在进行水库群长期优化运行的决策分析中，讨论了一种更适合于水资源系统优化运行决策规则制作的时间序列模型，即混合回归疏系数模型．该模型能充分反映水库群最优运行的规律，在一定程度上克服了逐步回归法和多变量自回归模型的缺陷，有着求解灵活、操作方便的特点．     

基于Elman神经网络的面板堆石坝沉降预测模型

分析了某面板堆石坝运行初期坝体的监测资料,选择水压分量与时效分量为影响因子构建逐步回归分析模型,应用反馈神经网络理论建立Elman神经网络模型,并与逐步回归模型预测精度做了对比分析.结果表明,Elman神经网络模型预测精度高、可靠,有助于分析大坝的安全性态.     

基于组合回归方法的尼洋河流域中长期径流预报

鉴于仅使用单一的中长期径流预报方法很难有效地拟合和预测整个径流过程,将逐步回归法和自回归方法相结合,对尼洋河流域1956~1999年逐年年径流序列进行非平稳序列逐步回归趋势分析、周期分析及平稳序列自回归分析,并与AR(1)模型的计算结果进行比较研究。结果表明,组合回归方法的预测效果较好。     

基于蛙跳算法与卡尔曼滤波的大坝位移预测模型优化

为提高传统大坝位移统计模型的预测能力,引入蛙跳算法和卡尔曼滤波等,基于最小二乘法确定统计模型回归系数,采用蛙跳算法对回归系数进行优化;运用卡尔曼滤波法将回归系数作为状态方程的状态向量,使预测模型能实时反映监测数据的变化。工程算例应用结果表明,基于蛙跳算法与卡尔曼滤波的大坝位移预测优化模型能有效提高统计模型的预测精度,可为大坝位移预测提供参考。     

基于强度储备法拟定混凝土坝水平位移监控指标研究

为探索大坝监控指标的研究方法,以飞来峡混凝土坝#18溢流段为例,利用强度储备法研究了坝段在初始屈服、临界失稳、失稳破坏三种特殊状态下监测点的水平位移分量值,并结合坝顶水平位移温度分量、时效分量的统计模型建立了该坝段水平位移的混合模型,拟定了#18溢流段的位移安全监控指标。     

基于R/S方法的拱坝变形监测资料分析及性态评估

以某混凝土拱坝顺河向水平位移为例,通过R/S方法计算得到不同测点观测数据时间序列的Hurst指数(H)和分形维数(D),根据Hurst指数的值域范围,分析了观测数据的精度,根据分形维数阐述了大坝位移的分形特性,并结合逐步回归分析结果,对大坝的变形性态进行了评估。结果表明,在拱坝变形监测数据分析中,R/S方法能有效挖掘观测数据时间序列所蕴含的内在特征,从而进行准确的安全性态评价。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

基于逐步回归和GDCS-SVM的大坝变形预测组合模型

现行大坝安全监控技术不能按实测信号中不同频段信号特征分别选取不同监测模型进行处理,影响了大坝变形预测精度。为此,在利用小波包分解获取实测信号中的系统信号和随机信号的基础上,提出了一种基于逐步回归和GDCS-SVM的大坝变形预测组合模型,并进行了验证。工程实例表明,GDCS-SVM预测效果优于CS-SVM,而所建组合模型预测精度高于单一监测模型,具有较强的泛化能力和较好的全局预测精度,可用于大坝变形预测。     

较优GM(1,N)模型在大坝安全监控中的应用

灰色模型可以克服随机分析模型的某些缺点，但有时灰色模型的拟合精度较低，针对这个问题，提出了用灰关联度较大的显著变量建立较优GM（1，N）模型的方法，并将其应用于大坝安全监控领域。算例表明，较优GM（1，N）模型的精度比逐步回归模型要高。     

基于特征正交分解的土坝变形安全监控模型

为解决性态变化剧烈的大坝施工期或固结期实测资料建模的非平稳、小样本和多重共线性等问题,以某均质土坝坝顶上下游水平位移为研究对象,采用基于特征正交分解的逐步回归分析方法,对土坝坝顶下游侧实测值进行建模,分析了模型的可预报时间尺度和精度。结果表明,对于性态变化比较剧烈的土坝,基于特征正交分解回归方法,可有效解决非平稳、小样本和多重共线性问题,但该新建模型的预测精度在接近建模时间尺度的1/3范围内有效,后期实测资料与预报模型预测的差异反映大坝性态已发生了变化。