基于EPSO-NN模型的大坝安全监控数据处理

针对大坝安全监控神经网络模型中选入因子较多,使网络权值的计算成为高维问题,提出将粒子进化-多粒子群优化算法应用到人工神经网络,建立了EPSO-NN模型。该方法改善了BP神经网络易陷入局部极值和解不稳定的缺点。通过工程实例表明:EPSO-NN模型收敛速度快,求解稳定,预测精度比最小二乘回归和BP-NN高。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

优化BP神经网络的位移预测模型

针对大坝位移预测常规方法存在的问题,基于改进粒子群算法的BP神经网络(IPSO-BP)的大坝位移预测方法,通过IPSO对常规BP神经网络的权值和阈值进行优化,弥补了BP网络的不足,保证了预测精度。以2011-12-21—2013-06-27观测得到的某混凝土重力坝某一典型坝段坝顶的顺河向位移值为研究对象,建立基于IPSO-BP的大坝预测模型并进行仿真分析研究。同时,为了验证该模型的拟合及预测效果,建立PSO-BP模型、利用最小二乘法求解参数的统计模型进行对比分析。上述研究结果表明,此模型预测精度优于常规模型且拟合效果好、预测结果的平均相对误差小,说明此方法有效可行。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

基于改进粒子群算法的坝体位移监控模型

在基本粒子群算法的基础上,提出了一种基于以e为底的指数函数的惯性权重策略的改进粒子群算法。将粒子群算法引入大坝安全监控领域,并结合坝体位移的多元回归统计模型,建立基于改进粒子群算法的大坝安全监控模型,并应用于新安江大坝的安全监测。实际应用表明,改进粒子群算法与最小二乘法、基本粒子群算法相比,预报结果精度较高且收敛速度较快。     

基于改进粒子群算法的大坝监控加权统计模型

用于大坝安全监控的加权统计模型主要依据工程经验确定各因子的权重,这种求解方式易导致部分因子信息的缺失。根据大坝安全监测数据,应用粒子群算法可优化确定加权统计模型中各参数的最优解,但对于高维度优化问题,该算法存在收敛速度慢、易陷入局部最小等不足。针对这些不足,考虑粒子种群平均位置信息的影响,提出一种新的改进粒子群算法,利用单体与种群平均位置的距离信息确定两者之间的学习因子。土石坝工程实例分析结果表明:改进粒子群算法加强了种群跳出局部最小的能力,所得加权统计模型的权重符合工程实际情况。尤其在大坝运行初期,监测资料较少的情况下,基于改进粒子群算法的大坝监控模型具有较高的预测精度和预报能力,可为大坝监控领域提供一种新的数据分析方法。     

基于模态分解和云粒子网络的大坝基岩地震动输入研究

在大坝抗震安全评价中基岩地震动输入多采用实测数据或人工生成等方式,而当坝址仪器损坏或历史震害资料不足时,确定基岩地震动就变得尤为困难。本文提出对大坝基岩地震动进行反演的研究思路,并开发了基于经验模态分解和云粒子网络的分解—训练—反演混合模型,在不依赖场地历史震害资料的情况下,仅用少量周边测站数据即可确定大坝的基岩地震动。首先,选取坝址周边地表及基岩的地震动实测记录,采用经验模态分解法将地震加速度序列分解;其次,通过粒子群算法建立与神经网络连接权值的映射,采用云理论优化粒子群算法的全局寻优能力,建立反演模型,将分解后的加速度序列作为训练集进行反演训练;然后,选取与大坝处于相似地质情况的地表实测地震动信息,结合反演模型对大坝基岩输入地震动进行反演;最后,以紫坪铺大坝为研究实例,通过对比传统输入方法,验证该模型的适用性。结果表明：本文所提的混合模型综合性能稳定,能较好地反演地震加速度序列,模型决定系数均大于0.9,平均绝对百分比误差均在11%左右;采用本文反演得到的基岩地震动进行计算,较已有研究成果计算误差降低0.79%~17.28%,与工程实际动力响应更为吻合。本文方法可为解决大坝基岩输入地震动的获取提供一条新途径。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

大坝安全监控预报中的粒子群模糊聚类算法

将粒子群算法与模糊聚类算法相集成,建立粒子群模糊聚类算法并将其应用于大坝安全监控预报.通过粒子编码形式的确定,将模糊分类矩阵作为粒子.该算法具备粒子群算法的全局和局部搜索能力,充分利用正反馈信息,通过优化迭代计算,确定模糊分类矩阵.通过工程算例表明,该算法的模糊聚类效果与模糊聚类算法相比较优,可用于大坝安全监控预报.     

大坝安全性态的非线性组合监控

利用小波网络构造模型的优化组合函数，以实现对不同的大坝安全监控子模型的非线性组合。将非线性组合函数的拟合转化为小波网络参数的估计，采用遗忘因子法训练网络的权值，利用递推预报误差算法训练尺度因子和平移因子。最后，将该非线性组合模型用于对大坝安全性态的拟合和预测。实例表明，该方法具有很强的泛化能力与自适应数据和函数变化的能力，可以实现大坝安全监控多模型的优化组合，能够有效提高拟合和预测精度。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

仿生算法优化BP神经网络在降雨空间插值中的应用

人工神经网络能够充分挖掘已知样本中的规律,从而对未观测数据进行预测,可应用于降雨量空间插值计算中。在BP神经网络进行降雨空间插值的基础上,引入遗传、粒子群和蚁群3种仿生算法对BP神经网络初始权值和阈值进行优化,将优化后的BP神经网络应用于三峡区间流域年、月和日3个时间尺度的降雨空间插值中。结果表明:仿生算法对BP神经网络初始权值和阈值优化求解后,降低了BP神经网络陷入局部最小以及过拟合的风险,在插值过程中表现出较好的稳定性,取得了理想的插值结果。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。