基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于主成分回归的大坝渗流

应用主成分回归分析方法对新疆希尼尔水库大坝某断面的渗透压力预测进行分析研究。利用SPSS13.0软件进行多重共线性诊断后进行主成分分析,确定主成分的个数,将原自变量的主成分代替原自变量进行回归分析,建立主成分回归模型,并对该大坝渗透压力进行预报。对影响大坝渗透压力的各因子进行有效分离,既保留了原指标的绝大部分信息,又有主成分之间不相关的特点,弥补了最小二乘法回归无法有效识别和消除因子间多重相关性影响的不足。     

大坝蓄水期监测资料的时变分析模型

考虑大坝蓄水期监测资料平稳性较差、坝体性态随水位升高而有所改变等特征,在原有传统统计模型的参数求解过程中引入遗忘因子,通过建立遗忘矩阵突出现在及近期资料对模型的贡献,尝试建立了大坝蓄水期监测资料的时变分析模型.实例分析表明,由于模型参数根据大坝蓄水期实际情况实时进行了阶段性更新,其拟合及预测精度均优于传统统计模型,更适用于蓄水期监测资 料分析.     

主成分神经网络模型在大坝观测资料分析中的应用

在大坝观测资料分析中，各因子间常存在不同程度的相关性，这种相关性有时会对分析效果产生较大的影响；另外，通常的回归模型为线性模型，难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题，本文将主成分分析和模糊神经网络相结合，建立大坝观测数据的主成分模糊神经网络模型，经实例计算，该模型的预报精度较高。     

浅析国内外大坝安全监控的发展及资料分析数学模型

本文叙述了国内外大坝安全监控的发展概况，大坝安全监测的自动化进展，浅析原型工程观测资料分析数学模型的思路，方法及模型中因子选择。     

主成分神经网络模型在大坝观测资料分析中的应用

在大坝观测资料分析中，各因子间常存在不同程度的相关性，这种相关性有时会对分析效果产生较大的影响；另外，通常的回归模型为线性模型，难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题，本文将主成分分析和模糊神经网络相结合，建立大坝观测数据的主成分模糊神经网络模型，经实例计算，该模型的预报精度较高。     

基于主成分回归的大坝位移模型

位移监测是大坝安全运行过程中一项重要的工作。在建立大坝位移预报模型的过程中,常会出现影响因子之间存在严重相关性的情况,会影响模型系数的稳定性,采用主成分回归分析的方法可以很好地解决这个问题。在简述主成分回归分析原理的基础上,结合工程实测数据,建立了坝体位移量与相关因子的主成分回归模型和逐步回归模型,并对两者进行比较,取得了良好的效果。     

主成分回归分析在大坝安全监测中的应用

介绍主成分回归的原理,对某大坝的位移预测进行分析研究.利用SPSS软件进行多重共线性诊断后进行主成分分析,确定主成分的个数,将原自变量的主成分代替原自变量进行回归分析,建立主成分回归模型,并对该大坝位移进行预报.对影响大坝位移的各因子进行有效分离,既保留了原指标的绝大部分信息,又有主成分之间不相关的特点,弥补了最小二乘法回归无法有效识别和消除因子间多重相关性影响的不足.     

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.     

基于神经网络模型的某大坝混凝土弹性模量时变规律反演分析

基于人工神经网络的非线性映射特性，在三维有限元计算的基础上，结合大坝原型观测资料，提出了大坝参数时变规律的反演方法。以某混凝土重力坝的原型观测资料为例，利用该方法反演得出了该坝坝体混凝土弹性模量的变化规律。结果表明该方法是切实可行的，可应用于分析评价大坝材料参数的变化。     

基于主成分分析法的大坝风险后果综合评价模型

 大坝风险后果综合评价涉及众多评价因子,各因子间存在一定的相关性。将主成分分析理论应用于大坝风险后果的综合评价,以江西5座水库为例,将数据标准化,根据相关系数矩阵,以综合因子的贡献率确定主成分和权重,计算出主成分值以及综合分值,结合评价标准最终确定大坝风险后果等级并对其进行排序。结果表明：若发生溃坝事件,5座水库大坝后果均十分严重,属特别重大事故,评价结果客观合理。研究表明,主成分分析法能够较客观地反映大坝风险程度,具有方法简便、推理过程严密等特点,为大坝风险后果综合评价提供一条新途径。     

砂土液化等级预测的主成分-Logistic回归模型

砂土液化等级的多指标综合预测模型可以分为2种类型:第1类以砂土液化等级分类标准为基础,第2类以实例数据为基础。分别选择砂土液化分类标准生成的数据以及实例数据作为样本,采用主成分分析法对样本数据进行降维处理,以Logistic回归模型来描述砂土液化影响因素与砂土液化等级之间的对应关系,建立了2种类型的主成分-Logistic回归模型。实例应用结果显示,2种类型的主成分-Logistic回归模型都具有一定的可行性,第2种类型的主成分-Logistic回归模型预测结果更符合实际情况,在具有较多实例数据时,更具有应用价值。     

主成分-BP组合模型在坝顶位移监控中的应用

在大坝位移监控中,主成分分析和BP神经网络方法运用较广,建立两种方法的组合模型,可以结合两种方法的优势,利用主成分分析消除坝顶位移预测中多重相关性给模型带来的不利影响,利用BP网络可通过自组织、自学习和高容错性等功能解决复杂非线性问题。通过实例计算可知,组合模型精度能够达到要求,可以推广应用。     

基于主成分分析的四川省用水量预测

分析了影响四川省生活用水、工业用水、农业用水的因素,利用主成份分析从中找出主要影响因素,用回归分析法对三方面的用水量进行建模预测,并提出了相关的建议。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于模糊规则推理的大坝安全监测变形预测模型

研究了将模糊规则推理和粗糙集理论相结合建立大坝安全监测变形预测模型的新方法.该方法采用粗糙集理论对原始监测样本数据进行离散,根据离散结果确定模糊推理规则,并通过对规则的模糊推理建立大坝安全监测变形预测模型.实例分析表明,该模型在大坝变形影响因素重要性评价和非确定性测值预测方面取得了满意的结果.     

基于可视化和组件技术的大坝安全监控系统软件研究

系统软件在逻辑上采用B／S与C／S集成的混合式3层结构，通过组件技术并以可视化为主线实现了对大坝安全监测数据的深度挖掘，通过知识表达和解释模块为用户提供判断大坝安全状况的依据．系统具有高度的可视化功能，突出人性化的界面风格，组件技术的应用增强了系统的结构化功能，大幅度提高了工作效率．