基于支持向量机的供水管网监测数据清洗

通过供水管网监测数据的分析研究,提出了基于支持向量机的供水管网数据清洗方法,并以南方某市实际供水管网为案例进行验证,结果表明基于支持向量机的数据清洗方法能有效识别和修补异常值,还原供水管网的真实运行状态。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

贝叶斯最小二乘支持向量机在大坝监测自动化数据验证中的应用

从体系结构、硬件构成、网络结构和软件设计等几个方面来看,大坝监测自动化系统采集的数据会失真,针对以往监测数据验证方法存在的缺陷,提出了基于相空间重构和贝叶斯框架最小二乘支持向量机(BLS-SVM)相结合的监测物理量数据验证方法.采用LS-SVM构建了3种预测器,应用于单监测物理量和多监测物理量输出系统.实例结果证明了所提出的方案的有效性.     

大坝变形监测异常数据识别和重构模型

针对混凝土坝变形监测数据中的粗差和异常测值问题,提出了一种数据异常识别和重构模型。模型利用关联规则量化变形序列与水位序列的关联性,将监测数据输入DBSCAN聚类算法寻找异常点,利用关联结果将监测数据异常点分为粗差点与反映大坝性态点两类,保留反映大坝性态点,剔除粗差点,并利用改进的小波神经网络对粗差数据进行重构,保证监测序列完整性。某拱坝变形监测数据验证结果表明,该模型可以准确识别监测数据中的异常值,并能够获得更为准确的重构数据,为大坝实测性态评价提供了新的分析方法。     

基于3σ-SSA的数据清洗方法在大坝智慧安全监测系统中的应用

数字孪生智慧水利感知网络返回的自动化监测数据具有监测频次高、数据量大、异常值多的特点,传统数据清洗方法难以满足数据预处理精度要求。针对该问题,提出利用奇异谱分析(Singular Spectrum Analysis, SSA)对数据序列进行重构,并根据3σ准则对实测值及重构数据之间的残差序列进行统计检验,从而实现数据异常值自动识别的数据清洗方法。依托工程实例对该方法的有效性及可应用性进行校验,结果显示,构建的3σ-SSA分析数据清洗方法具有易于实现自动化、对环境量数据依赖度低、处理异常值较多的自动化监测数据仍保持较高准确性等特点。目前已依托国内某水库数字孪生建设工程,在该水库的大坝智慧安全监测系统中得到成功应用。     

最小二乘支持向量机模型在大坝监测中的应用

提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法的依据是相空间重构技术以及最小二乘支持向量机模型(LS_SVM)。阐述了基于混沌时间序列的最小二乘支持向量机模型的算法步骤,并指出该模型的评价指标为平均绝对误差(MAE)以及预测均方误差(PMSE)。利用该模型对某混凝土大坝5#坝段102号测点的垂直位移进行了预测,结果表明:基于混沌时间序列的LS_SVM模型的预测性能较好,能够很好地体现出模型的实际应用能力;模型的拟合及预报结果能够满足精度要求,与回归模型相比具有预测结果精度较高的优点。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

基于最小二乘支持向量机的大坝应力预测模型

应力的监测一直是大坝安全监测中极为重要的部分,传统的预测方法精度有时候不高,为了提高预测的精度,提出了一种基于最小二乘支持向昔机(LS-SVM)的大坝应力预测模型.通过具体工程实例计算,LS-STM表现出很好的鲁棒性和预测精度高的优势,应力预测精度比传统的逐步回归方法提高了很多,为大坝应力分析提供了一种可靠的、有效的途...     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

基于SVM-MCD的大坝变形监测数据异常值判定

变形是最能直观反映混凝土坝运行性能的宏观效应量。考虑到监测数据异常值对监控模型精度与大坝安全性态诊断的不利影响,提出了一种基于支持向量机的混凝土坝变形监测数据异常值判定方法。在分析混凝土坝原型变形监测数据显性异常点的基础上,通过构建基于支持向量机理论(SVM)的高精度计算体系,充分利用结果效应量与驱动环境量之间的映射交互关系,结合最小协方差矩阵(MCD)稳健估计理论对残差序列进行异常值判定,而后将其异常确定值进行有机性替代处理,解决了内蕴复杂环境干预的监测信息挖掘难点。工程实例分析表明：所建判定系统的精准性及泛化能力均得以提升,相比于传统方法具有较好的实用性和鲁棒性,能有效地避免变形监测数据预处理中的误判漏判等困扰。此外,所提出的判定方法经一定的优化和拓展,亦可推广应用于其他水工建筑物的数据异常值判定分析。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

郑武客专线粉质土地基沉降观测数据异常值判别及沉降预测研究

郑武客专沿线广泛分布有深厚的粉质土,客运专线对工后沉降控制非常严格,根据沉降监测数据控制填土速率,保证路堤在施工中的安全与稳定,预测工后沉降确定无渣轨道的施工期,控制工后沉降在设计允许范围之内是路堤填筑的关键。对路基沉降观测数据的可靠性、沉降数据的预处理以及沉降观测异常数据判别方法进行了系统的叙述,尝试用最小二乘支持向量机对沉降数据进行预处理;讨论了各种预测模型的特点及适用性。基于沉降资料可靠性和沉降预测方法两方面的研究,形成了粉质土地基沉降系统预测方法,并通过实例详细介绍了预测过程。预测结果显示郑武粉质土地基沉降已基本趋于稳定,运行期不会发生较大的工后沉降,郑武客专地基处理及施工方法是成功的。     

基于模糊LS-SVM算法的大坝变形预测模型

在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析.     

基于LSSVM的短时风电功率预测

风电功率预测对于风电接入电网后上网限电有非常重要作用,同时也对风电的市场竞争力有很大的支持效应。从现阶段风电功率负荷预测的现状出发,在研究当前风速预测方法和预测效果的基础上提出用LSSVM来进行风速的预测方法,与其他几种风速预测方法的误差进行比较表明,LSSVM在预测风速方面具有一定的优越性。经过实例测算表明,效果较为理想。     

基于最小二乘支持向量回归的短期用水量预测

将最小二乘支持向量机(LSSVM)回归方法用于短期用水量的预测,对传统参数选择方法进行改进,提出通过分层交叉验证来确定最优参数,构建短期(日)用水量等维信息一步预测模型.将试验结果与季节性指数平滑法进行了比较分析,表明了该方法用于短期用水量预测的可行性和有效性.     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

基于孤立森林算法的取用水量异常数据检测方法

水资源管理系统中储存着海量的取用水量数据,通过筛选数据中的异常值定位异常取水行为,是水资源监管的重要手段。对取用水量数据中的异常值普遍缺乏明确定义,传统的异常值检测算法在实时性和稳定性方面存在不足。在总结归纳现阶段取用水量异常数据种类、特点的基础上,首先运用平均插值法对可直观识别异常值进行预处理,在预处理后的数据中随机取样训练,建立多个孤立二叉树形成孤立森林,以此为工具对数据样本进行异常值检测。对某供水公司连续两年日取水量监测数据的实证分析结果表明,基于孤立森林算法的异常值检测方法将数据样本的特征通过非监督学习方式存储在森林中,具有更高的稳定性;能够准确检测出数据样本中的异常值,相比于传统最小二乘拟合方法具有更高的检出率。     

基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数,以及用等式约束代替不等式约束,将求解的二次规划问题转化线性方程组求解,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

深度学习法检测大坝安全监测异常数据

有效检测出异常数据在大坝安全监测领域具有重要意义,但传统方法检测时受异常数据偏离大小和数量影响,鲁棒性较差。提出一种基于深度学习的大坝安全监测异常数据检测算法,模拟人工识别异常数据的过程,按分类和识别两个阶段检测异常数据,适用于检测变化趋势不确定的数据,其中标签数据集采取自动制作方式,具备反馈机制。试验结果表明该算法对各类异常添加模式的试验数据查准率平均达到0.97以上,查全率平均达到0.97以上,准确率平均达到0.99以上,尤其能有效找出小数值异常,比传统异常数据检测方法具有更好的检测稳定性、鲁棒性和实用性。     

基于最小二乘支持向量机的马营河中长期径流预测研究

采用最小二乘支持向量机的方法,利用李桥水库1977-2004年的径流资料,对其2005-2011年的径流量进行预测。分析结果表明2005-2011年的预测径流量距平百分率在±10%之间,符合预测精度要求。