基于改进的偏最小二乘法的防渗帷幕防渗预测模型研究

针对偏最小二乘回归法含有全部自变量引起的预测误差问题,对偏最小二乘回归法进行了改进,采用主元选择的GA-PLSR法,即引入逐步回归方法中挑选和剔除因子的思想来选择与因变量相关性较强的自变量主元,然后利用偏最小二乘回归法进行建模,再采用遗传算法对其回归系数建立目标函数进行优化,确立最后的拟合模型用于因变量的预测,并通过实例应用,将选择主元的偏最小二乘回归模型、常规的偏最小二乘回归模型及基于主元选择的GA-PLSR模型的预测结果进行比较。结果表明,基于主元选择的GA-PLSR模型的拟合效果较好,且预测精度更高。     

逐步回归-PLS模型在大坝位移监控中的应用

针对传统统计模型分析大坝位移监测资料中合理删选自变量问题,以陈村重力拱坝为例,基于偏最小二乘法建模原理,采取逐步回归法筛选变量,构建了逐步回归-PLS模型。实例应用结果表明,该模型简单、有效减少了自变量个数、提高了回归模型的精度和线性显著性。     

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。     

基于小生境遗传算法的Hi-PLS回归模型优化

在以递阶偏最小二乘法建立回归模型的基础上,利用小生境遗传算法的快速、全局搜索优化功能对模型中的回归系数进行重新评估,建立了基于小生境遗传算法的递阶偏最小二乘大坝安全监控模型.工程实例与模型对比分析结果表明,经小生境遗传算法优化的递阶偏最小二乘回归模型不仅比原模型提高了拟合精度,且增强了预测能力.     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。     

改进的PLSR算法在大坝安全监控中的应用

针对自变量中含有过多与因变量无关的信息时应用偏最小二乘回归算法将出现偏差的问题,引入改进的偏最小二乘回归算法对坝体水平位移建立数学模型,并以安徽陈村混凝土拱坝为例进行分析.结果表明,改进的偏最小二乘回归算法通过正交投影变换解释矩阵能有效改善噪音的影响,建立的统计模型在保证解释能力的前提下其拟合效果和预测能力较偏最小二乘回归算法均有所提高.     

锅炉烟气含氧量预测混合模型及应用

影响锅炉烟气含氧量的因素多而复杂,根据某电站锅炉特点选取煤种参数、煤量、风量、蒸汽流量、排烟温度、燃烧器摆角等15个影响燃烧的参数作为烟气含氧量的预测参数,将偏最小二乘回归与神经网络相耦合,利用偏最小二乘回归对数据提取主成分,建立了烟气含氧量预测混合模型。利用此模型进行了参数影响烟气含氧量的分析,并针对最优的风量、低位发热量这两个参数提出了锅炉运行优化目标值。     

基于改进的最小二乘支持向量机的闸首渗流监控模型研究

鉴于大坝渗流监测受众多因素影响,首先利用主成分分析法对相关性较大的因子进行处理,然后利用最小二乘支持向量机进行建模,最后依靠遗传算法对其参数进行选优,建立了基于改进的最小二乘支持向量机的闸首渗流监控模型,并通过实例应用做了对比分析。结果表明,改进的最小二乘支持向量机模型可有效降低输入因子的维数,减小因子之间相关性,降低模型的训练时间,拟合精度均优于其他模型,更适合于渗流监测数据的建模。     

基于主成分回归分析的气象因子对光伏发电量的影响

采用主成分分析方法降低气象维度,提取互不相关的综合性评价指标,并将提取出的主要成分作为回归模型的自变量建立多元线性回归模型。通过检验可知:主成分回归模型的拟合优度优于直接回归模型,提高了预测精度,预测结果也较为稳定。因此,主成分分析法可有效提高光伏发电量的预测精度。     

基于偏最小二乘法的综合弹性模量反演分析

为获取符合实际的坝体综合弹性模量,利用引张线实测资料,将偏最小二乘法运用于统计模型中分离出水压分量,采用Hypermesh软件构建了有限元模型,并应用Marc程序计算水压作用下的位移量,基于常规反演法推求坝体及坝基的综合弹性模量。实例表明,偏最小二乘法分离效果更好,反演结果精度更高,能满足对大坝安全监控的要求。     

热力系统局部非线性模型辨识

在多模型控制中,局部模型大多数是基于线性模型,其数量和精度影响多模型控制的效果。提出一种基于RBF神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提出的非线性模型结构[2~3],利用径向基函数(Radial Basis Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调节学习率,可以加快学习的收敛过程。最后进行了仿真验证,基于2个局部非线性模型的多模型控制系统与基于5个局部线性模型的多模型控制系统相比,减少了切换时的震荡,控制精度有所提高。试验结果表明,该辨识算法能减少固定模型数量,从而减少模型搜索时间,并且能够提高模型预测精度。     

基于不同人工神经网络的CNG发动机排气温度预测模型研究

为了提高CNG发动机排气温度预测精度,基于BP、RBF和GRNN神经网络建立了3种排气温度的预测模型。开展了CNG发动机台架实验,测量了不同工况条件下发动机的排气温度,利用实验值对模型进行训练,并预测了不同发动机转速、空气进气量、点火提前角等条件下的排气温度,将预测值与实验值进行了对比分析,评估了不同预测模型的准确性。结果表明:BP、RBF和GRNN 3种神经网络的误差分别为3.5%、2.8%和3.1%。RBF神经网络的预测误差比BP和GRNN神经网络的误差小,稳定性强,更适合CNG发动机的排气温度预测。     

基于逐步回归分析—马尔可夫链模型的大坝变形预测

针对预测大坝变形准确性难度较大的问题,综合逐步回归分析和马尔可夫链的优点,采用逐步回归分析法对大坝原型观测资料进行分析,得到回归模型,并判别回归方程的有效性和精度,同时利用马尔可夫链确定位移时序的状态转移概率矩阵,通过划分残差状态、修正实测值与逐步回归模型拟合值的绝对误差与相对误差,建立了大坝变形预测的逐步回归分析—马尔可夫链预测模型(SRA-MC)。实例应用结果表明,模型的拟合值与实测值吻合良好,预测效果好,可见逐步回归分析—马尔可夫链模型在进行大坝变形预测时具有有效性,可应用于大坝变形预测分析及大坝安全监控预警中。     

Predicting electricity energy consumption: A comparison of regression analysis,decision tree and neural networks

This study presents three modeling techniques for the prediction of electricity energy consumption. In addition to the traditional regression analysis, decision tree and neural networks are considered. Model selection is based on the square root of average squared error. In an empirical application to an electricity energy consumption study, the decision tree and neural network models appear to be viable alternatives to the stepwise regression model in understanding energy consumption patterns and predicting energy consumption levels. With the emergence of the data mining approach for predictive modeling, different types of models can be built in a unified platform: to implement various modeling techniques, assess the performance of different models and select the most appropriate model for future prediction.     

Solar radiation estimation using artificial neural networks

Artificial Neural Network Methods are discussed for estimating solar radiation by first estimating the clearness index. Radial Basis Functions, RBF, and Multilayer Perceptron, MLP, models have been investigated using long-term data from eight stations in Oman. It is shown that both the RBF and MLP models performed well based on the root-mean-square error between the observed and estimated solar radiations. However, the RBF models are preferred since they require less computing power. The RBF model, obtained by training with data from the meteorological stations at Masirah, Salalah, Seeb, Sur, Fahud and Sohar, and testing with those from Buraimi and Marmul, was the best. This model can be used to estimate the solar radiation at any location in Oman.     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。