基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型.该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测...     

多重组合神经网络模型在年径流预测中的应用

针对线性组合预测模型预测精度不高、单一预测模型权重较难确定和非线性组合预测模型组合函数难以构造等问题,为最大限度地挖掘输入向量间的有用信息以及充分发挥神经网络模型的高度非线性映射能力,提出一种基于BP、Elman、RBF、GRNN这4种神经网络算法原理的多重组合年径流预测模型。以4种单一预测模型的预测结果作为一次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的一次组合预测模型;再以一次组合预测模型预测结果作为二次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的二次组合预测模型;依次类推,构建12种多重组合预测模型。以新疆伊犁河雅马渡站年径流预测为例,将预测结果与4种单一预测模型及IEA-BP模型的预测结果进行比较,结果表明:多重组合预测模型的预测精度和泛化能力较单一预测模型均有较大提高,随着模型组合重数的增加,预测精度呈提高趋势,是提高预测精度的有效方法。     

基于EMD的凌河流域降水径流预测模型研究

为提高降水径流预测模型的预测精度,利用经验模态分解法处理非线性复杂信号的优势,再结合BP神经网络,对凌河朝阳水文站1956—2009年的降水量资料进行分解,以分解出的分量作为BP神经网络预测模型的输入,以实测的年径流量作为输出,建立降水径流预测模型。模型检验结果表明:模型预测精度较高,对凌河流域径流量预测具有一定的实用性。     

基于EMD-TAR组合模型的滑坡位移预测研究

针对非线性波动性发展的滑坡,为了提高其位移变化的预测精度,以经验模态分解(Empirical Mode Decomposition)方法对滑坡监测地表位移的时间序列进行处理,将不规律变化的位移序列转化为存在一定规律变化的模态分量,得到不同频率的位移分量,对每一分量单独预测,避免误差相互影响,通过预测所有分量的变化趋势来综合预测位移序列的变化趋势,利用改进门限自回归模型(Threshold Auto Regressive)对非稳态谐波描述性较好的优势预测滑坡位移分量,最后模态叠加得到最终预测位移,建立了基于经验模态分解和门限自回归模型的组合预测模型,结合白水河滑坡实例数据验证该模型的预测精度,通过与BP神经网络模型、长短时间记忆网络模型进行预测对比,提出的组合模型预测精度较高,为滑坡位移的预测提供了一种新的方法。     

基于多尺度小波变换WNN的灌区灌溉水量研究

选取Daubechies(db6)小波系对陆浑灌区1970—2013年的降水量及作物需水量时间序列进行多时间尺度水平分解,以得到的1970—2003年的小波系数为输入数据、灌溉水量为输出数据,构建多尺度小波变换的小波神经网络进行预测模拟,并利用单隐层BP、双隐层BP神经网络和小波神经网络分别进行了预测比较,结果表明:基于多尺度小波变换的小波神经网络模型的模拟精度和预测的稳定性均高于其他3种模型,4种预测模型的预测值平均相对误差排序为单隐层BP神经网络双隐层BP神经网络小波神经网络多尺度小波变换的小波神经网络。     

一种小波－模糊控制Ｅｌｍａｎ网络的隧道位移预测模型

传统的神经网络对于隧道位移的预测精度较低,有时计算结果会存在较大的误差。基于此,根据模糊控制原理,将Ｅｌｍａｎ网络与小波变换相结合,针对隧道开挖过程中位移的动态变化和非线性,提出新的预测模型。通过小波将监测隧道位移变形序列分解成具有不同属性和频率的子序列,采用Ｅｌｍａｎ神经网络对子序列进行预测,建立起网络,叠加预测结果、计算残差并测试网络精度,利用模糊控制方法对残差进行控制,考虑前向已检测样本的步骤及误差值,控制输出后续待检测样本的预测值和误差,修正后可以得到小波变换下的模糊控制Ｅｌｍａｎ网络位移预测模型,通过与单一网络预测结果、有限元模拟结果以及实测序列进行对比,发现新的模型相比于其他网络以及有限元计算结果,精度和准确率更高,能更准确地预测隧道变形。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于VMD-EEMD-CNN-LSTM混合模型的月径流预测

针对传统径流预测模型对月径流序列尖峰点预测精度不足的问题,文章提出了一种VMD-EEMD-CNN-LSTM混合预测模型。首先,对原始月径流序列进行变分模态分解(VMD)处理,得到具有有限带宽的本征模态分量(VMF)和较高复杂性的残差项(Res)。然后通过集合经验模态分解(EEMD)对Res进行二次分解,有效挖掘原始径流的隐藏信息。把各分量作为卷积神经网络(CNN)-长短期记忆网络(LSTM)组合预测模型的输入,最后对各预测结果进行叠加重构,得到最终的结果。以乌江流域洪家渡水电站实测月径流数据为例,结果表明：VMD-EEMD-CNN-LSTM模型具有更高的精确度,能有效提高对月径流序列尖峰点的预测精度。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

均匀沙床面动床阻力计算的人工神经网络模型

针对泥沙运动数据含有噪音且样本数据较多的特点,提出采用人工神经网络(ANN)BP模型批学习的训练方法可有效地缩短计算时间、提高训练精度。建立了由能坡、无因次单宽流量和无因次泥沙粒径等3个参数预测水深的结构为3-33-1的冲积河槽动床阻力BP模型。预测结果与实测资料比较表明这个人工神经网络模型的预测精度较高,同时这个模型与21个动床阻力公式的比较表明人工神经网络模型要比传统的回归模型精度高。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于VMD-BP模型的河流流量预测方法

河流流量是水文监测和水资源管理的重要指标,流量预测对于水利建设、航运规划和水资源调度等方面具有重要的指导意义和参考价值。结合变分模态分解(VMD)处理非平稳序列的优势以及BP神经网络(BPNN)处理非线性拟合的能力,提出和构建了基于VMD-BP模型的河流流量预测方法。以长江宜昌水文站为实例,基于1998年和1999年的日水位和日流量数据,对方法模型进行了验证。结果表明:VMD-BP模型在一定程度上解决了水位和流量的多值关系,降低了数据的波动性,预测结果优于线性拟合的回归模型和BPNN模型,预测误差仅为1.61%,为河流流量预测提供了一种有效的方法。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

（超）细水泥在压滤作用下的浆液性能研究

（超）细水泥浆液在高灌浆压力作用下的流动性能和强度指标是灌浆设计中水灰比、浆液级配、屏浆时间等施工参数选择的重要依据,也是评价灌后被灌体力学性能、耐久性等灌浆效果的重要因素。目前主要通过室内成模进行流动性能和抗压强度测试的方法进行相应研究,忽略了灌浆压力、排水条件、地质条件等因素的影响,不能真实反映灌浆过程中浆液在不同灌浆压力作用下流动性能和抗压强度。文章进行了室内压滤灌浆试验,得到了不同水灰比（超）细水泥浆液经过不同压力和时间压滤作用后的马氏漏斗粘度和结石体28ｄ抗压强度,并通过构建硬化浆体的结构模型,建立了（超）细水泥抗压强度的计算模型,计算了不同水灰比在不同压滤强度下的28ｄ抗压强度,可为灌浆工程（超）细水泥浆液配比优选、灌浆参数确定和灌浆效果评价提供依据。     

Application of artificial neural network to calculation of solitary wave run-up

The prediction of solitary wave run-up has important practical significance in coastal and ocean engineering,but the calculation precision is limited in the existing models.For improving the calculation precision,a solitary wave run-up calculation model was established based on artificial neural networks in this study A back-propagation(BP)network with one hidden layer was adopted and modified with the additional momentum method and the auto-adjusting learning factor.The model was applied to calculation of solitary wave run-up.The correlation coefficients between the neural network model results and the experimental values was 0.9965.By comparison with the correlation coefficient of 0.9635,between the Synolakis formula calculation results and the experimental values,it is concluded that the neural network model is an effective method for calculation and analysis of solitary wave run-up.     

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LWOA和MKSVM算法的帷幕灌浆施工质量模糊综合动态评价研究

为了实现施工过程中灌浆质量的动态评价,需要解决由于灌浆孔与检查孔并非一一对应造成的灌浆施工参数与灌浆质量评价指标数据间难以匹配、由于传统事后破坏性试验检测导致的灌浆质量评价指标难以动态获取以及灌浆施工质量难以动态评价的问题。因此,本研究提出基于Lévy飞行改进的鲸鱼优化算法(whale optimization algorithm improved by Lévy flight, LWOA)和混合核支持向量机(mixed kernel function support vector machine, MKSVM)的帷幕灌浆施工质量模糊综合动态评价方法。首先,基于分形理论和改进反距离加权平均方法求解了检查孔处灌浆等效施工参数,进而实现了施工参数与评价指标数据间相互匹配,建立了用于训练模型的数据集。其次,结合LWOA具有参数少、收敛速度快的特点以及混合核能够兼顾局部学习和全局泛化的优势,基于LWOA和MKSVM算法实现了灌后透水率、二次渗透指数、裂隙填充率、岩石质量等级和声波波速等评价指标的高精度动态求解。再次,采用模糊综合评价方法对帷幕灌浆施工质量进行模糊综合动态评价分析。最后,以某水电站坝基帷幕灌浆施工质量模糊综合动态评价分析为例,验证了本方法具有高精度和动态性的特性。     

鹤岗市五号水库大坝帷幕灌浆质量分析

由于帷幕灌浆属于隐蔽工程,如何保证灌浆质量,使帷幕灌浆达到预期效果是帷幕灌浆工作的重要工作环节。通过对帷幕灌浆施工和对灌浆成果的分析,对帷幕灌浆的质量进行了客观评价。     

基于灰色遗传BP神经网络的校园区间需水预测研究

水资源预测是城市安全用水的基础保障,而校园用水预测是城市用水规划和管理的组成部分。针对校园用水受很多因素影响产生的不确定性,提出了基于灰色遗传BP神经的校园用水预测模型。模型对校园用水的数据进行灰色关联分析,并加入遗传算法去优化BP神经网络,经过残差计算,输出区间的预测值。运用该模型可以充分提取小样本信息,解决神经网络无法自动寻优的问题。通过Matlab对校园的用水区间数据进行仿真,得出的结果显示,预测的数据和实际数据基本吻合,其仿真精度可以达到90. 32%,验证了该方法的可行性,此预测方法有一定的借鉴意义。