遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于小波网络的大坝变形预测分析

为了精确分析大坝监控数据,基于小波神经网络理论建立数学模型,对大坝水平位移进行预测,并与回归分析模型、神经网络模型的预测结果进行比较,探讨分析三种方法的利弊。研究表明,采用小波神经网络对大坝水平位移进行分析与预测是可行、可靠的,其精度明显优于前两种方法,对大坝监控预测及分析有着重要的指导价值。     

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

基于EEMD-PCA-ARIMA模型的大坝变形预测

针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。     

神经网络模型在大坝变形预测中的应用研究

根据水电站大坝多年的变形观测数据,基于神经网络模型方法预测大坝的变形。研究中应用MATLAB工具箱建立BP网络模型,预报大坝的变形。结果显示准确性较好,填补了空白观测时间阶段的变形数据。     

基于QPSO-RVM模型的大坝变形预测研究

根据相关向量机(RVM)原理,选择合适的核函数类型,运用量子粒子群(QPSO)算法对核参数进行优化运算,建立QPSO-RVM模型。运用QPSO-RVM模型对大坝变形监测数据进行预测,并将预测成果与多元统计回归分析成果进行对比研究。结果表明,QPSO-RVM模型的拟合及预测精度明显优于多元统计回归模型,具有工程运用价值。     

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。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

ACO-BP神经网络模型在大坝变形区间预测的应用研究

近年来随着引水工程的不断建设,工程地质及施工条件愈发复杂,大坝安全和稳定性评价变得尤为重要.文章利用某土石坝工程的变形监测统计资料,建立神经网络预测模型定级预测大坝的变形区间,结合预测结果分析不同模型的适用性,得出ACO-BP神经网络在大坝变形区间预测更贴合实际,在实践分析中应用价值广泛.     

基于小波网络的大坝变形监测模型与预报

针对误差反向传递(BP)网络模型收敛速度慢和易陷入局部最小的不足，提出将小波网络用于大坝变形监测的拟合和预报，综合了神经网络与小波分解在函数逼近上的优点。算例证明：小波网络模型的预测值与实测值拟合比BP网络模型的精度有较大提高。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

基于AFSA-灰色神经网络模型的大坝裂缝预测

针对灰色神经网络模型的权值和阈值是人工随机初始化的,当对相关问题进行预测时,容易陷入局部最优解,导致预测精确度偏低的问题,采用人工鱼群算法(AFSA)对灰色神经网络的初始参数进行优化,构建AFSA-灰色神经网络预测模型,并利用该模型对某大坝的裂缝开度进行预测。与传统的BP神经网络、灰色神经网络的预测结果对比表明:AFSA-灰色神经网络模型的预测精确度更高,可以对大坝裂缝开度进行预测。     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

基于遗传算法优化BP神经网络的大坝变形监控模型

一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一.针对传统的统计模型、确定模型和混合模型的不足,提出基于遗传算法优化BP神经网络的GA-BP模型的方法,并将该模型用于大坝变形预报研究.最后以某拱坝为例,对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA-BP模型,并将模型用于某坝顶径向水平位移预报.结果表明GA-BP模型不仅比统计模型具有更高的拟合精度,且在大坝变形监测预报上也是有效的.     

NARX神经网络在大坝变形预测中的应用

针对大坝变形时间序列的非线性及形变值累计特性,引入NARX神经网络进行分析并实现变形预测.首先,NARX神经网络通过非线性自回归网络与外源输入相结合,较好地解决了传统BP神经网络存在的收敛速度慢和易陷入局部极值等问题;其次,建立基于NARX神经网络的大坝变形预测模型,对原始数据预处理后采用周期为输入序列、变形值为输出序...     

基于CEEMDAN-PSR-KELM的大坝变形预测

为提高大坝变形预测精度,针对大坝变形监测序列的非线性、非平稳性等特点,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)-相空间重构(PSR)-核极限学习机(KELM)的大坝变形预测模型。首先利用CEEMDAN算法将大坝变形监测序列分解成为若干不同频率的子序列,然后对各序列进行相空间重构,依据重构的各个子序列分别建立相应的KELM预测模型,最后对各子序列预测结果进行叠加求和得到最终预测结果。通过实例对比分析表明,该模型在大坝变形预测中预测精度较高,对于大坝变形安全监测具有一定的实用价值。     

基于MLR-WNN的大坝变形预测

针对大坝变形预测中非平稳非线性的数据处理问题,为克服多元线性回归模型(MLR)在处理非线性数据方面的不足,将小波神经网络模型(WNN)引入到多元线性回归模型里面,提出一种基于多元线性回归和小波神经网络的大坝变形预测模型(MLR-WNN)。首先,针对温度、水位、时效因子和大坝变形实测值,建立多元线性回归模型,再对其产生的误差建立小波神经网络模型进行修正,最后得到大坝变形预测值。经算例验证并与多元回归模型和WNN模型对比分析,结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果。