基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

基于改进Db1GEGA-SVM的大坝变形预警模型

支持向量机(SVM)能有效解决高维数非线性问题,且具有很好的泛化能力,其关键在于惩罚因子及核参数的选取;遗传算法具有良好的全局搜索能力与潜在的并行性,但局部搜索能力差,且易陷入早熟收敛。为提高大坝变形预警模型精度和泛化能力,提出利用改进的双切点交叉遗传算法(Db1GEGA)对SVM模型进行参数寻优,构建了基于改进Db1GEGA-SVM的大坝变形预警模型,并通过实例应用做了比较。结果表明,基于改进Db1GEGA-SVM的大坝变形预警模型具有更强的泛化能力和更高的预测精度。     

RVM-MC模型在大坝变形监控中的应用

基于相关向量机(RVM)本身泛化能力优良,对解决高维数的非线性问题效果明显的优点,将相关向量机应用于大坝安全监控中,采用一种改进的粒子群算法(APPSO)对核函数进行寻优,同时利用马尔科夫链处理模型残差以提高模型的拟合预测精度,进而建立RVM-MC监控模型。实例应用结果表明,与标准RVM模型相比,RVM-MC模型精度和泛化能力均有了显著提高。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于混合核RVM理论的大坝变形监控优化模型

鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

支持向量机模型在渗流监测中的应用

提出了基于一种支持向量机(SVM)的渗流监测方法。该方法采用结构风险最小化原则，能够在对小样本学习的基础上，对其他样本进行快速、准确的拟合预测，具有更好的泛化性能和精度，减少了对经验的依赖。在算例中，基于SVM的非线性特点，根据土石坝的实测资料建立了渗流监测模型，为水头预报和安全监测奠定了基础。     

基于经验模态分解和支持向量机的大坝变形预测

为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。     

基于改进粒子群算法的大坝变形安全监控模型

针对基本的粒子群算法存在训练早熟等问题,调整了算法中的粒子飞行策略,将其应用于大坝变形安全监控模型中,比较了改进前后模型的效果;并建立了逐步回归统计模型,通过对比模型的预测特征参数,比较分析了模型间的预测效果。结果表明,改进的粒子群算法具有改善早熟现象的优点,且预测效果有所提高。     

基于自适应差分进化算法的堆石坝参数反演

基于参数自适应差分进化算法(ADE),提出了堆石坝本构模型参数的反演分析方法,可有效提高收敛速度和避免陷入局部最优;并采用具有强大非线性映射能力的BP神经网络模型来近似模拟计算堆石坝的应力应变,提高了反演过程的效率。最后,以某抽水蓄能电站堆石坝为例进行应用研究,通过比较设计工况和反演工况下计算沉降值与实际沉降值之间的误差,验证了所提方法的有效性和可靠性,可为后续客观评价堆石坝安全性提供基础。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于LS SVM的大坝多测点潜变量监控模型

为安全监控大坝,以棉花滩大坝为例,提出了一种多测点监测数据的方法,通过对环境变量和大坝效应量之间关系的分析,将多测点监测量转换为几个相互独立的潜变量来实现多测点数据的降噪和减缩,并采用最小二乘支持向量机(LS-SVM)建立环境变量因子对潜变量的预测模型,以实现对大坝状态的监控。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。