岩质高边坡监测数据的改进变维分形预测模型

针对以往预测模型在数据少和噪音干扰下出现预测精度降低的问题,基于分形理论,尝试建立改进的变维分形预测模型,并以小湾工程边坡位移监测数据为例,选取D1、D2曲线作为预测模型的分形参数曲线,计算各曲线的分段分形维数,对位移进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测.结果证明,这种方法充分利用了分形理论自相似性的特点,抗噪性强,能较好地应用于小数据量监测数据的预测,并且精度较高,有着良好的应用前景.     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

基于分形插值的混凝土坝变形趋势分析

研究混凝土坝的变形趋势对判别大坝变形状态、保证大坝安全具有重要意义。针对混凝土坝的变形曲线呈现出明显的非线性特征,引入分形插值理论,首先利用分形维数识别混凝土坝变形时间序列的分形特征,然后基于分形插值函数建立了变形趋势的预测模型,并对变形状态进行判别。以某混凝土坝段变形为例,采用分形插值方法对坝段某高程水平位移的变形趋势进行预测,并与统计模型预测结果进行对比,结果表明,分形插值方法能更好地拟合变形曲线,表征大坝变形特性。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

BRR-SVR月降水量预测优化模型

受多种因素影响,水文时间序列具有非平稳性。研究时间序列的传统模型如ARMA对数据的平稳性有较高要求,不适用于非平稳水文时间序列的研究。近年来,机器学习算法越来越多地被应用于研究水文过程,本文将支持向量机回归(SVR)和贝叶斯岭回归(BRR)应用于月降水量的预测。运用小波变换对降水数据进行分解和重构,然后对各子序列进行相空间重构,运用校验数据从SVR和BRR中选取每个子序列上精度更高的模型,构建耦合支持向量机回归和贝叶斯岭回归的BRR-SVR优化模型,并与单一的BRR模型和SVR模型加以对比。以北京站、南京站和太湖流域7个雨量站为例,采用确定系数、平均绝对百分比误差和平均绝对误差3项指标评估各模型的预测性能,以相对误差图探讨三类模型之间的差异,计算结果验证优化模型的有效性。     

基于遗传算法-支持向量机的水库叶绿素a浓度

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型.在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量.最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测.预测精度比单纯用人工神经网络方法有较大提高.     

高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。     

基于经验模式分解的边坡位移预测模型研究

高边坡监测数据分析是研究边坡变形演化机制及稳定性评价的主要方法,是工程施工决策的基础。根据边坡位移时间序列呈现趋势性与随机性相耦合的特点,运用经验模式分解方法将边坡位移量分解为趋势项和随机项部分,对趋势项采用支持向量机回归模型预测,并基于马尔可夫状态切换对随机项建立自回归模型进行预测。以小湾水电站高边坡为例,将该模型应用到边坡位移变形预报中,取得了较好的效果。     

利用马尔科夫链修正的变维分形模型及其应用

以往的预测模型对数据长度有较强的依赖性,且数据出现较强的非线性时,将增加预测的复杂程度。为使监测数据呈现出一定的线性关系,基于分形理论,将常维分形改进为变维分形,并据此建立相应的数学模型,通过短期监测数据进行预测。考虑到变维分形得到的预测结果不可避免地存在一定的波动误差,对此,利用马尔科夫链(Markov)无后效性的特点对预测结果进行修正,从而提高预测精度。以西溪水库的监测资料数据为样本,建立其马尔科夫链-变维分形预测模型,结果显示最大误差修正值可达0.89%,占原预测误差的67.9%,表明利用马尔科夫链修正的变维分形模型能有效地减小误差,提高预测精度。