混凝土特高拱坝变形监测的智能优化支持向量机模型

拱坝变形监测模型是拱坝健康监测中最常用的方法。针对特高拱坝的变形监测问题，提出了一种混凝土特高拱坝的智能优化支持向量机变形监测模型。采用粒子群算法(PSO)优化支持向量机(SVM)的惩罚因子、核函数参数及容忍偏差，建立基于PSO-SVM的混凝土特高拱坝变形监测模型，分析了时效因子对模型性能的影响。工程实例表明，混凝土特高拱坝的PSO-SVM变形监测模型有着良好的预测精度及泛化能力，适用于特高拱坝的变形监测。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于GPR-ARIMA-GA模型的高粘土心墙堆石坝参数反演分析

以某粘土心墙坝为例,提出了基于GPR-ARIMA-GA模型结合有限单元法反演高粘土心墙堆石坝材料参数的方法,利用高斯过程回归非线性模型(GPR)来表征材料参数与坝体沉降量之间非线性关系,从而在搜寻真实坝体材料参数时减少了有限元程序样本计算次数,提高了反演效率;为进一步提高GPR拟合精度,提出应用ARIMA模型对拟合误差进行修正;在构建GPR-ARIMA模型过程中,采用遗传算法(GA)来优化GPR模型超参数;在建立GPR-ARIMA模型后,二次应用GA全局搜索坝体材料参数的真实值。实例应用结果表明,该方法极大地减少了有限元程序计算量,且能够准确、快速搜索得到坝体真实材料参数,将最优材料参数代入有限元程序计算得到沉降量与实测值较为接近,验证了该方法可行、有效。     

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。     

基于不同核函数的某重力拱坝相关向量机模型精度比较

鉴于相关向量机的模型精度受核函数的影响较大,建立了基于修正高斯核函数、多项式核函数及其混合核函数的某重力拱坝相关向量机模型,并利用自适应粒子群算法对核函数的参数进行寻优。实例应用结果表明,混合核函数的性能最优,可提高大坝安全预测精度。     

混沌粒子群优化算法在短期负荷预测中的应用

针对短期负荷预测受气象因素影响大、传统参数辨识方法易陷入局部最优导致预测精度不高,采用外源自回归动平均(ARMAX)时间序列模型和混沌惯性权值粒子群优化算法进行模型识别.算例表明,该算法在短期负荷预测中预测精度较高,可供类似工程借鉴.     

基于改进PSO-SVR模型在短期风速预测上的应用研究

针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性.     

改进粒子群-极限学习机模型在面板堆石坝运行期沉降预测中的应用

针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。     

基于社会学习多目标粒子群优化的中长期负荷组合预测方法

精准的负荷预测对提高电网规划水平和准确指导投资具有重要意义。针对经验风险最小化的组合预测模型存在过拟合的缺点,提出了一种基于社会学习多目标粒子群优化算法,并利用偏最小二乘回归模型、支持向量回归模型、灰色预测GM(1,1)模型,引入权重的不确定性函数信息熵来表征期望风险,综合考虑经验风险和期望风险的组合预测模型。仿真结果表明,相比于单一预测模型和其他两种组合预测模型,所提方法具有更高的预测精度,社会学习多目标粒子群优化算法具有更强的全局搜索能力和优化性能。     

基于粒子群的支持向量机在径流预测中的应用

针对中长期水文预报中样本缺乏问题,以大伙房水库月径流预测为例,基于粒子群优化算法寻优选择,构建了粒子群优化算法的支持向量机回归预测模型,并与未优化的预测模型进行比较.结果表明,该模型收敛速度快、推广能力强,预测精度高.     

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。     

基于典型相关和人工粒子群的大坝监测分析模型

针对大坝安全监测多效应量统计分析模型存在相关性而影响模型精度问题,提出了优化方案,预先对效应量和影响因子进行典型相关性分析,实现变量降维并提取与效应量相关性大的自变量作为模型输入因子构建多元线性回归模型,并基于人工粒子群算法求解最优偏回归系数。经与全回归、逐步回归、偏最小二乘回归模型比较验证,实例表明所建模型有较优的拟合效果和预测精度、鲁棒性强。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

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。     

Nonlinear multivariable modeling of locomotive proton exchange membrane fuel cell system

A nonlinear multivariable model of a locomotive proton exchange membrane fuel cell (PEMFC) system based on a support vector regression (SVR) is proposed to study the effect of different operating conditions on dynamic behavior of a locomotive PEMFC power unit. Furthermore, an effective informed adaptive particle swarm optimization (EIA-PSO) algorithm which is an adaptive swarm intelligence optimization with preferable search ability and search rate is utilized to tune the hyper-parameters of the SVR model for the improvement of model performance. The comparisons with the experimental data demonstrate that the SVR model based on EIA-PSO can efficiently approximate the dynamic behaviors of locomotive PEMFC power unit and is capable of predicting dynamic performance in terms of the output voltage and power with a high accuracy.     

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。     

基于混合核RVM理论的大坝变形监控优化模型

鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。     

基于面板数据格式的特高拱坝变形性态分区方法

特高拱坝运行中受多因素协同作用,不同高程和区域的变形规律差异较大,坝体局部单测点的变形量并不能代表大坝整体的安全性发生变化。为此,综合考虑多测点、多测次监测量的内在关联性,构建了特高拱坝变形面板系列的表征方法;基于面板数据聚类理论,建立了大坝变形相似性指标及度量方法;利用熵权法构建大坝变形区域数的确定准则,提出了特高拱坝变形分区方法及实现步骤;通过利用特高拱坝两个维度的变形监测信息,将传统的"点"分析方法转变为区域分析方法。某特高抛物线双曲拱坝实例应用表明,该方法可根据39个变形监测点确定六大类测点,每类测点可以综合描述大坝对应区域的总体变形特征,再根据测点所在的位置将大坝分为六个变形区域,有效描述了特高拱坝的实际变形规律,可弥补传统分析方法上的一些不足,为特高拱坝变形分析提供了新方法。