基于遗传规划模型的大坝变形监测预测模型

研究了基于遗传规划（GP）理论的大坝变形监测数学模型的建模方法。通过与回归分析模型和BP神经网络模型的拟合精度及预测效果的比较，证明GP模型有更高的拟合精度和更好的预测效果，为大坝变形监测数据处理开辟了一条新的途径。     

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究北大核心CSCD

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

基于流固耦合的大坝渗流特性反演方法研究

土石坝在长期运行过程中,坝体结构形态不断变化,因此对大坝渗透特性进行反演时考虑流固耦合效应是必要的。本文将流固耦合理论、BP神经网络和改进的遗传算法三者结合起来,应用于大坝渗透特性的有关参数的反演分析中;首先通过对大坝应力场和渗流场的耦合机理的分析,研究渗流场与应力场的耦合效应;然后以基于定向寻优准则为原则改进传统的遗传算法,并用此优化神经网络连接权值,所建立的遗传神经网络具有较快的训练速度和较强的泛化能力;最后正算采用基于耦合的有限单元法,反算用改进的遗传优化神经网络算法,探讨基于耦合的渗透特性的反分析问题,并导出这一问题的有限元计算公式及编制相应程序。数值算例表明,基于耦合的改进遗传神经网络在求解大坝渗透系数反演问题中具有较高的计算效率和识别精度。     

遗传禁忌神经网络模型及其在电力负荷预测中的应用

针对神经网络权值学习算法的不足,结合遗传算法和禁忌算法各自的优势,建立了遗传禁忌神经网络预测模型.实际应用表明,与遗传算法相比,该模型具有收敛速度快、预测精度高等优点,具有满意的预测效果.     

基于遗传算法和神经网络的倒立摆控制系统

以单级倒立摆为对象，介绍了一种融合遗传算法的神经网络控制方法。该方法采用以多层前馈神经网络作为遗传搜索表示方法的思想，以神经网络为基础，用遗传算法来学习神经网络的权系数，既保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力。仿真结果证明：遗传算法和神经网络的结合，可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。     

基于BP神经网络的李家峡拱坝材料参数反演

利用神经网络模型对大坝材料参数进行反演 ,可避免建模因子的选择不当而造成的误差 ,精度较高。本文利用有限元模型建立神经网络的训练样本 ,采用BP神经网络模型对李家峡拱坝进行了坝体和坝基材料参数反演 ,最后以反演后的材料进行正向计算得到大坝的变形 ,并与实测变形对比 ,结果令人满意。     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子（least absolute shrinkage and selection operation,LASSO）变量选择和长短期记忆（long short-term memory,LSTM）网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差（MAE）、均方误差（MSE）与均方根误差（RMSE）均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

联合时序分解和深度学习的高土石坝变形预测北大核心CSCD

针对高土石坝变形监测时间序列复杂的非线性、非平稳性等特点,提出了一种沉降变形预测的组合方法,可更好兼顾土石坝变形的长期发展趋势和波动特性。利用基于局部加权回归的季节性趋势分解法将变形监测历史数据分为趋势、周期和残差分量;采用长短期记忆神经网络模型分别学习趋势、周期和残差序列趋势特征并预测,汇总各分量预测结果得到大坝位移的预测值。为定量评价和比较预测结果,引入三个评价指标,并将预测结果与季节性差分自回归滑动平均模型、长短时记忆神经网络模型及其组合模型的预测结果进行对比分析。本文联合时序分解和深度学习的组合模型具有更高的预测精度和较好的稳定性,能够较好体现土石坝变形的长期趋势和随水位的波动特性。     

基于神经网络的星敏支架指向倾角监测方法

针对星敏支架热致变形导致其指向精度降低的问题,提出了一种基于神经网络的指向倾角监测方法。 首先,分析星敏 支架结构特征,搭建星敏支架指向倾角预测系统,采集星敏支架结构形变和倾角变化数据,并对实验数据进行预处理;其次,构 建深度神经网络模型,将星敏支架模型各测量点的应变信息作为输入变量,并使用 Adam 优化算法更新网络参数,经训练迭代 后得到指向倾角预测模型;然后针对传统深度神经网络收敛速度慢、容易产生局部最小值等局限性,使用遗传算法对深度神经 网络的超参数进行优化,以提升神经网络的训练速度;最后使用测试集数据对星敏支架指向倾角变化进行预测,分析该模型在 不同温度条件下对星敏支架指向倾角监测的准确率。 实验结果表明,优化后深度神经网络模型的指向倾角预测方法的平均误 差为 0. 20″,且倾角预测精度明显优于传统算法,证明利用深度学习方法实现星敏支架指向倾角监测具有可行性。     

一种新型光伏阵列最大功率点预测模型的研究

光伏阵列最大功率点预测在光伏发电控制系统具有重要地位,由于光伏阵列受到温度、光强、阴影等非线性因素的影响,传统的解析方法难以获得理想的预测结果。研究了一种基于遗传算法改进的BP网络光伏阵列最大功率点预测模型,利用遗传算法的全局搜索能力,对BP神经网络的权值和阈值进行优化,有效克服了BP网络容易陷入局部最小的问题。仿真表明,基于遗传算法优化的光伏阵列最大功率点预测BP网络具有良好的泛化能力和一定的有效性。     

神经网络响应面在堆石坝流变反演中的应用

堆石体的流变参数对高面板堆石坝的长期安全性分析具有重要意义。参数反演可以准确获得符合坝体实际长期变形规律的流变参数。本文分别采用反向传播神经网络（BP）和径向基神经网络（RBF）构造出待反演参数与位移值之间的响应，引入统计学回归预测模型中的均方根误差（RMSE），平均绝对百分比误差（MAPE）和线性回归决定系数（R2）等指标来全面评估不同神经网络响应面映射能力的优劣，从而提高参数反演的效率和准确率。结果表明，RBF神经网络响应面的评估指标均优于BP神经网络响应面。利用RBF神经网络响应面和多种群遗传算法（MPGA）得到反演后的流变参数并将其用于有限元计算，得到的蓄集峡坝体沉降值在大小和分布上与实测值有很好的一致性。     

基于相空间重构的电磁继电器电性能参数预测研究

提出了基于相空间重构的电磁继电器电性能参数预测的GA神经网络方法。借助相空间重构技术,重构了电性能参数序列的高维空间轨迹;通过采用基于GA算法的神经网络拟合重构轨迹,建立了电性能参数序列预测模型。以电磁继电器接触电阻和燃弧能量性能参数为例,分析了重构参数对重构轨迹、预测结果的影响。该方法能从高维空间揭示电性能参数退化过程,充分利用神经网络泛化性能,因而预测精度高。实验结果表明,所提方法可行、有效。     

基于Bootstrap和ICS-MKELM算法的大坝变形预测

传统大坝预测方法难以适应坝体变形序列的高维非线性特征,且仅能以点值的形式预测大坝变形,未能有效量化由数据随机噪声、输入样本的主观确定、参数的随机选择等引起的结果不确定性。针对上述问题,提出了基于Bootstrap和改进布谷鸟优化多核极限学习机（ICS-MKELM）算法的大坝变形预测模型,实现在精确预测大坝变形点值的同时,通过区间形式量化预测值的不确定性。首先,建立基于高精度多核极限学习机（MKELM）的大坝变形预测模型,该模型集成了核极限学习机（KELM）高效处理强非线性回归问题的优势和混合核泛化、学习能力强的特点,同时采用基于惯性权重和混沌理论改进的布谷鸟搜索（ICS）算法对多核极限学习机中核参数及正则系数进行优化,弥补模型易陷入局部最优的不足;其次,引入Bootstrap区间预测方法对模型和数据造成的不确定影响进行量化;最后,将所提模型应用于某实际大坝工程的变形预测,分析了不同训练样本数对模型预测精度的影响,同时通过与五种常用的预测算法进行对比,验证了本文模型具有一致性和优越性。