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。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于EEMD与SE的IPSO-LSSVM模型在坝肩边坡变形预测中的应用

坝肩边坡变形在外部因素影响下呈现出不确定性和随机性,从而不易预测。基于聚类模态分解(EEMD)、样本熵(SE)和改进型粒子群算法优化的最小二乘支持向量机(IPSO-LSSVM)方法,提出一种名为EEMD-SE-IPSO-LSSVM的坝肩边坡变形预测模型。首先,利用EEMD将原始坝肩边坡变形时间序列分解为若干个不同复杂度的子序列,并基于SE判定各子序列的复杂度,将相近的子序列进行合并重组以减少计算规模;然后,分别对各重组子序列建立IPSO-LSSVM预测模型;最后,将各预测分量进行叠加重构,得到最终的大坝变形预测值。以澜沧江苗尾水电站左岸坝肩边坡为例,将BPNN、RBFNN、LSSVM、EEMD-SE-LSSVM与EEMD-SE-PSO-LSSVM进行对比研究。结果表明,该模型的计算精度优于其他神经网络模型,具有较好的适宜性和稳定性,是一种可靠的坝肩边坡变形预测方法,能够为大坝安全监测提供有价值的参考。     

基于RBFNN数据延拓和CEEMDAN方法的径流序列组合预测

为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

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EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

EEMD-GA-SVM模型在滑坡位移预测中的应用

滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相叠加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。     

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.