边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡位移时间序列分析预测

将边坡位移看成是一系列时刻t1,t2,t3,…,tn得到的时间序列,采用时间序列AR模型,对其进行模型识别、参数估计、位移预报。预测结果表明：AR模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

基于Lyapunov指数改进算法的边坡位移预测

给出了一种最大Lyapunov指数的改进算法,这种改进算法不仅对小数据序列可靠,而且计算量小,相对容易操作。通过对边坡位移历史数据序列进行特征分析,计算出最大Lyapunov指数,并利用最大yapunov指数的一维模式进行边坡位移预测。这种改进的方法比已有的研究方法更可靠,而且操作起来比较方便。通过对三峡升船机高边坡和新滩滑坡实际位移数据进行预测,结果令人满意。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

边坡位移预测的神经网络模型研究

了解边坡位移的发展趋势对于预测边坡失稳时间具有重要的意义,而导致边坡产生位移的因素是极其复杂的,采用具有非线性映射功能的神经网络模型,运用历史位移数据训练神经网络,并在Matlab环境下编程实现,与实测值相比较,神经网络模型具有很高的预测精度.     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

基于LSTM神经网络的地铁车站改造沉降时间序列预测

为了预测地铁车站改造施工过程中出入口站厅的沉降,提出了采用LSTM神经网络预测沉降的方法。依托北京市西土城地铁车站改造工程,对该车站改造过程中的建筑物沉降值进行了预测,并结合实测值利用LSTM神经网络对沉降趋势进行了回归分析。研究结果表明：采用LSTM神经网络进行沉降预测有着一定的合理性,其可以较好地捕捉沉降变化的趋势,该模型的预测值与实测值误差在10%以内,具有很好的应用价值。     

基于BP神经网络时间序列方法的辽宁省建筑业经济技术指标预测

应用BP神经网络时间序列对辽宁省建筑业各经济技术指标进行预测,所得结果可为政府管理决策提供科学依据,同时,也可为建筑业自身的改革与发展提供建设性参考.通过一个算例分析,预测辽宁省2005～2015年的建筑业总产值,训练仿真5000次的结果经t检验,在显著性水平为α=0.05时,服从μ=1205.2的正态分布,可见,利用BP神经网络进行建筑业总产值预测效果稳定性良好;同时,预测所得2005年辽宁省建筑业总产值与实际值的误差仅为0.75%,精度很高.由此可知,采用BP神经网络时间序列预测方法进行建筑业经济技术指标预测,结果可信度很高.     

库岸高边坡稳定度非线性判估研究

库岸高边坡变形量分析是判估其稳定性的关键因素。但由于库岸高边坡变形受众多因素影响,且各因素之间存在强烈的非线形关系,故难以进行有效的预判。本文提出了基于混沌神经网络模型的方法,对高边坡变形随时间变化的位移量进行了仿真计算,结果表明,此方法高效可行,计算精度高,能够满足工程及控制的要求。     

巷道和边坡的稳定位移与突发失稳时间预测

本文从位移时序曲线的特征出发，提出并验证了用加速度作为状态识别判据的可行性。对于稳定的情况，讨论了用灰色系统ＧＭ（１，１）模型预测最终收敛位移；对于失稳的情况，建立了用割线角估算失稳时间的一般公式。     

边坡关键块体的神经网络预测法

针对岩体边坡关键块体的状态(关键与否)与其几何参数和力学参数之间存在高度的非线性映射关系,利用人工神经网络理论的强大非线性映射能力和自学习特性,提出了岩体边坡关键块体的神经网络预测法。以某电站厂房边坡为例,仿真结果表明,该方法能够充分体现边坡关键块体状态与块体的几何参数和力学参数之间的非线性关系和隐含关系,具有较高的精度,所预测的边坡关键块体状态与实际吻合。此方法为岩体边坡关键块体的识别提供了一种新的途径。     

基于RBF神经网络的边坡稳定可靠度分析

RBF神经网络具有网络训练速度快、可以避免局部极小等优点。文章基于RBF神经网络理论,采用蒙特卡罗模拟法来进行结构的可靠度分析,研究了样本点的生成方法及样本数对可靠度分析结果的影响,并将基于RBF神经网络的蒙特卡罗模拟法应用于边坡的可靠度分析。计算表明:基于RBF神经网络的蒙特卡罗模拟法具有较好的计算效率和计算精度;样本点的生成方法和样本数对计算结果影响较大。与随机取样法相比,均匀设计法生成的样本点分布更均匀,由此样本点集训练生成的神经网络能更好的代替原功能函数,在相同的样本数时具有更高的计算精度;当计算精度相同时,均匀设计法比随机取样法需要生成的样本点少,计算效率高。     

基于神经网络的电动黄油枪运行参数的预测

本文首先介绍了神经网络预测控制模型,然后建立BP网络预测模型并运用Matlab编程语言,对黄油枪的运行参数进行预测。预测用的学习样本和测试数据都是实际测量数据,经过BP网络训练与测试达到了相应的要求。从测试结果看,采用输入参数正常的数据所得到的预测误差很小,而采用异常输入数据则产生了较大的预测误差。说明该网络预测模型有较高的准确性,能够预测出产品的异常运行参数,为产品的质量控制提供可靠依据。     

Determining Inputs for Neural Network Models of Multivariate Time Series

In recent years, artificial neural networks have been used successfully to model multivariate water resources time series. By using analytical approaches to determine appropriate model inputs, network size and training time can be reduced. In this paper, it is proposed that the method of Haugh and Box and a new neural network–based approach can be used to identify the inputs for multivariate artificial neural network models. Both methods were used to obtain the inputs for a multivariate artificial neural network model used for forecasting salinity in the River Murray at Murray Bridge, South Australia. The methods were compared with a third method that uses knowledge of travel times in the river to identify a reasonable set of inputs. The results obtained indicate that all three methods are suitable for determining the inputs for multivariate time series models. However, the neural network–based method is preferable because it is quicker and simpler to use. Any prior knowledge of the underlying processes should be used in conjunction with the neural network method.     

基于神经网络方法的黄土边坡稳定性评价

考虑影响边坡稳定性的因素特征、评价条件及神经网络高度的非线性映射功能,文章采用BP神经网络作为边坡稳定性的评价方法进行研究,通过对实例黄土边坡稳定性的评价,证明该方法具有一定的实用性,能够满足一般工程的要求。     

基于不等时距GM(1,1)模型预测边坡失稳变形

对边坡的失稳变形进行预测可以有效预防灾害的发生。传统灰色GM（1,1）模型多适用于等间距序列监测数据的模拟预测,而实际情况却是由于各种原因导致所获得的监测数据出现不等时距现象。为此,在分析传统等时距GM（1,1）建模原理的基础上建立了不等时距GM（1,1）模型,并对灰参数的求解方法进行了讨论。依据渝黔高速公路某边坡B3测点的监测数据,建立了该边坡变形灰色预测模型,并且将改进灰参数求解方法与传统方法进行了对比,研究结果表明,该不等时距GM（1,1）模型预测精度较高,预测结果与实际吻合较好。     

边坡位移与时间的关系

用两个典型的工程实例,详述实测资料,分析边坡位移与时间关系的发展规律及边坡失稳机制,为预报滑坡的具体时间提供依据,降低地质灾害。