基于动态SVM-MC的大坝变形监测模型及应用

为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,并通过实例应用做了比较。结果表明,动态SVM-MC模型提高了预测的精度和泛化能力,可用于复杂大坝的安全建模。     

基于PSO_GM_MC的某混凝土双曲拱坝监控模型

大坝位移的准确预测对大坝安全监控具有重要意义。针对传统的GM(1,1)模型在大坝位移监控中存在预测误差较大的问题,利用粒子群优化算法(PSO)对背景值权重参数寻优重构,借助马尔科夫链(MC)实现残差优化,建立了大坝位移的PSO_GM_MC监控模型。实例分析表明,PSO_GM_MC监控模型与传统灰色模型GM(1,1)相比,在大坝位移预测精度上有较大提高,可用于大坝位移的安全监控。     

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。     

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。     

基于改进的PSO-SVM法的大坝安全非线性预警模型研究

针对常用的大坝安全预警模型存在的不足,将改进的粒子群(PSO)算法与支持向量机(SVM)相结合,建立了基于改进的PSO-SVM法的大坝安全非线性预警模型,即利用粒子群算法对支持向量机模型的参数进行寻优,同时为防止粒子群寻优过程陷入局部最优点,引入了位置因子和速度因子,并通过实例应用做了比较。结果表明,改进后的模型有效摆脱了粒子群陷入局部最优点,且具有更好的非线性拟合能力和泛化能力,可用于复杂大坝安全非线性预警建模。     

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。     

PCA-PSO/GS-SVM组合方法在风电齿轮箱故障预测中的应用研究

在标准支持向量机(SVM)的基础上,引入主成分分析法(PCA)、粒子群算法(PSO)以及网格算法(GS),构建针对风力机故障的PCA-PSO/GS-SVM组合预测模型。相对于标准SVM,该模型采用PSO以及GS算法寻优参数,能够更准确地建立各变量间的相关关系以提高模型的预测准确性。以中国北方某风场2 MW风电齿轮箱在2017年上半年某2个月的SCADA监测数据为例进行分析。结果表明,对于以齿轮箱输出功率为例的骤变信号的预测,采用PSO算法寻优后的绝对误差均值是采用GS算法的3.0647倍,而对于以高速侧轴端温度为例的缓变信号的预测,则采用PSO算法更加合理;同时发现剔除训练样本数据中的奇异点能够有效提高模型的预测精度及其泛化能力。     

基于PSO-LSSVM模型的火电厂烟气含氧量预测

锅炉烟气含氧量是机组运行最重要的参数之一,为了准确测量氧量,在支持向量机(SVM)的基础上,提出最小二乘支持向量机(LSSVM),并结合粒子群算法(PSO)对模型参数(C,g)进行寻优,从而建立锅炉输入和输出变量之间的关系模型。将该方法应用到某电厂600 MW燃煤机组中,用训练后的模型进行预测,并与SVM模型预测结果进行比较。结果表明:采用LSSVM方法,能够辨识出多个变量与氧量之间的复杂关系,对锅炉氧量的预测误差为±0.03;并且PSO-LSSVM预测精度比PSO-SVM模型高,PSO-LSSVM模型具有预测精度高、泛化能力好、鲁棒性强和训练时间较短等优点。     

基于PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。     

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。     

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。     

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。     

基于改进PSO-ELM算法的混凝土坝变形非线性监控模型

针对混凝土坝变形模型高度非线性问题,将极限学习机(ELM)用于混凝土坝变形监控模型的构建中,由于极限学习机的精度受输入权值和隐含层阈值的影响,引入改进的粒子群算法(PSO)进行最优求解,从而建立基于改进PSO-ELM算法的混凝土坝变形非线性监控模型。实例应用结果表明,该模型不仅可行、有效,且具有较强的学习能力和泛化能力。     

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。     

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。