基于 PCA － ＲBF 神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( ＲBF) 神经网络的混凝土坝位移趋势性预测模型( PCA － ＲBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA － ＲBF 模型的均方根误差( ＲMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( ＲBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA － BP) ,说明 PCA － ＲBF 模型有着良好的预测精度。     

RBF神经网络在大坝应变预报中的应用

BP网络存在算法收敛速度慢和易陷入局部极小问题。构建某坝应变数据的RBF神经网络,并进行了预测,通过对比表明,径向基函数网络(RBF)的逼近能力和学习速度等均优于BP网络,RBF网络法的拟合误差和预测误差均比BP模型小很多。     

基于AFSA-RBF模型的混凝土平板坝变形监测

针对混凝土平板坝水平位移监测序列呈非线性变化的特点,采用经验模态分解(EMD)方法对混凝土平板坝水平位移监测序列进行分解,并采用计算最大信噪比的方法对信号进行去噪。面板坝的坝顶上下游方向水平位移主要受上下游水位和环境温度的影响,据此建立AFSA-RBF神经网络模型和RBF神经网络模型,对混凝土平板坝上下游方向水平位移进行预测,结果表明:AFSA-RBF模型能够很好地反映混凝土平板坝水平位移变化趋势和规律,预测结果有较高的精度,符合大坝安全监测的要求,可以在混凝土平板坝安全监测和评价中应用。     

基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

提升小波多尺度分解法与RBF神经网络在混凝土重力坝应力监测中的应用

将混凝土坝的应力监测数据视为一组含有不同频率信号的时间序列,针对信号中的低频信号和高频信号,采用提升小波的多尺度分解法提取混凝土坝应力的时效分量、水压和温度分量以及噪声分量,采用计算信噪比极大值的方法提取周期性分量中的水压、温度分量和噪声分量,得到最优的去噪效果。使用RBF神经网络对去噪信号进行建模,预测结果表明,该模型能够很好地反映混凝土坝应力变化的趋势和规律,可应用于混凝土坝安全监测中。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

基于PCA-RBF神经网络模型的城市用水量预测

针对城市用水量影响因素众多、关联性较强以及BP神经网络收敛速度慢、易陷入局部极小值等问题,采用组合主成分分析(PCA)与RBF神经网络的方法预测城市用水量。利用主成分分析对用水量影响因素进行降维,消除多重共线性,选取能够替代原用水量影响因素的前三个主成分作为输入因子,选用学习和收敛速度快、模式识别能力强的RBF神经网络进行预测。研究结果表明,该模型的相对误差平均值在训练和预测阶段均最小,分别为0.165 4%和0.677 5%,学习和预测能力均优于RBF和BP神经网络模型,提高了收敛速度和预测精度;主成分数量从3个增加到5个,信息量累积贡献率从93.09%增加到98.37%,平均相对误差从0.250 7%降至0.206 0%,预测精度略有提高。对2015—2020年枣庄市用水量进行预测,总用水量先有小幅上升,后又下降,呈现"倒U型"增长。该模型对城市区域水资源规划具有参考价值。     

基于微粒群算法的海堤渗压RBF神经网络监测模型

为提高海堤安全监控能力,从渗压实测数据以及潮位因子和降雨因子入手,使用影响因子的合理形式,利用径向基函数(RBF)神经网络建立渗压监测模型,推导微分进化微粒群优化算法(DPSO)速度和位移进化的数值计算方程,以此确定渗压RBF神经网络模型的聚类中心,并由此对渗压进行拟合和预测。以120组实测样本对模型进行训练拟合,并对后期60组渗压进行预测,得到拟合段平均相对误差为0.83%,相应预测段为1.71%。实际应用表明,经微分进化微粒群算法优化后,渗压RBF神经网络模型可以有效反映及预测渗压变化。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位，为了提高位移预测的精度，提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解，产生多个模态分量，然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型，最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例，将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较，结果表明：所用DES-PSO-ELM能够有效预测滑坡位移变化，其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm, 0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于径向基网络模型的面板堆石坝坝顶沉降量预测

随着国家在水利基础建设方面的大力投入以及面板堆石坝自身的优越性,近几年该坝型逐步向超高坝型发展,同时坝体变形的预测也面临着诸多困难。本文提出了一种基于径向基(RBF)网络的面板堆石坝的变形预测模型。该模型充分利用了径向基网络的非线性映射能力,利用收集的历史样本信息,即可预测出面板堆石坝沉降。以水布垭面板堆石坝为例,预测得到的竣工期和满蓄5年后的沉降位移分别为2.156m和2.491m,与实测位移基本一致,相对误差分别为0.748%和0.400%。结果表明预测位移在设计允许范围之内,RBF网络模型具有建模速度快、预测精度高的特点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

等维新息径向基神经网络模型在需水预测中的应用

针对现有需水预测模型进行多周期预测时存在误差随预测周期延长而累积、抗随机因素干扰能力不足等问题,提出动态等维新息径向基神经网络模型,采用聚类方法进行网络学习,并将其应用于东莞市年需水量预测中。结果表明:动态等维新息径向基神经网络模型相对于基本径向基神经网络模型具有更高的预测精度,并且预测误差不会随着预测周期的延长而累积。     

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RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

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。