共查询到20条相似文献,搜索用时 15 毫秒
1.
为了解决特高拱坝时空监控模型中因子数目众多、因子之间存在多重共线性以及各测点之间存在空间关联性的问题,基于大坝变形原型监测资料,采用核独立分量分析(KICA)方法提取独立分量,将多个测点信息转化为少数几个综合指标;将提取的独立分量代入利用灰狼优化(GWO)算法优化的支持向量机(SVM)模型,对特高拱坝空间测点进行回归预测,构建了KICA-GWO-SVM特高拱坝时空监控模型。工程实例分析结果表明,KICA-GWO-SVM特高拱坝时空监控模型与多元回归模型、BP模型及SVM模型相比,其非线性表达能力强且性能良好,能够降低多重共线性对大坝变形监测的影响,对特高拱坝变形序列的拟合与预测精度高,可以更加准确全面地表征大坝整体的时空变形性态。 相似文献
2.
大坝安全监控模型因子相关性及不确定性研究 总被引:24,自引:3,他引:21
针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足,本文对大坝安全监控模型因子间的相关性及其不确定性进行了研究。引进偏最小二乘法,对大坝安全监测变量及其影响因子进行偏最小二乘回归分析,将建模预测分析方法与非模型式的数据内涵分析有机结合,可同时实现回归建模、数据结构简化以及因子相关的不确定性分析,所建立的大坝安全监控模型,其精度可通过交叉有效性检验来控制。工程应用实例和模型对比分析研究表明,偏最小二乘回归模型能有效克服各类因子变量间的多重共线性对模型拟合精度及其预测能力的影响,因而比目前常用的最小二乘回归模型更具广泛适用性。 相似文献
3.
基于递阶偏最小二乘回归的数据分析 总被引:1,自引:0,他引:1
针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征,引进递阶偏最小二乘法,对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析,将建模预测分析方法通过递阶分层处理,可同时实现回归建模和数据结构简化,所建立的大坝安全监控模型精度可通过交叉有效性检验来控制.工程应用实例和模型对比分析研究表明,递阶偏最小二乘回归模型能有效克服由于各类因子变量间的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响,相对于传统回归模型有更好的解释能力,因而具有一定的实用价值. 相似文献
4.
支持向量机是基于统计学习理论的小样本学习方法,是一种处理高度非线性分类回归等问题的新方法,它能较好地解决小样本非线性高维数,避免了神经网络无法解决的局部极小问题.本文简要介绍了支持向量机的基本原理及其在渗流监测数据处理中的应用,论述了如何利用支持向量机建立大坝渗流统计模型和预报.通过对云龙水库渗流监测连续观测数据的计算和分析,并与RBF神经网络预测结果进行比较,证明支持向量回归机在渗流监测中比RBF神经网络预测精度更高,具有良好的泛化能力. 相似文献
5.
6.
7.
由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。 相似文献
8.
主成分回归分析在大坝安全监测中的应用 总被引:1,自引:0,他引:1
介绍主成分回归的原理,对某大坝的位移预测进行分析研究.利用SPSS软件进行多重共线性诊断后进行主成分分析,确定主成分的个数,将原自变量的主成分代替原自变量进行回归分析,建立主成分回归模型,并对该大坝位移进行预报.对影响大坝位移的各因子进行有效分离,既保留了原指标的绝大部分信息,又有主成分之间不相关的特点,弥补了最小二乘法回归无法有效识别和消除因子间多重相关性影响的不足. 相似文献
9.
针对水工监测数据不可避免地存在多重共线性,而最小二乘法又难以有效识别多重共线性并消除其对模型精度的影响的问题,初步分析了多重共线性产生的原因及其对回归模型的不良影响,简要介绍了其诊断和处理方法。引进岭回归法对共线性监测数据进行分析,其核心思想简单,算法易于编程实现,回归结果实际意义明确。某工程实例分析结果表明,相对于经典的最小二乘回归法,岭回归的结果更为合理,更符合实际,在水工监测数据统计模型分析中有较好的应用价值。 相似文献
10.
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。 相似文献
11.
12.
13.
基于在大坝监测中常用的偏回归模型的基础上引入了遗传算法,充分利用其强大的自适应全局优化概率型搜索功能,采用改进的遗传算法对偏回归系数进行寻优重估,建立大坝安全监测的遗传-偏回归模型。从而达到对偏回归模型优化的目的,以同时解决和改善常规大坝安全监测回归模型中存在的因子多重相关性干扰和模型欠拟合问题,进一步提高大坝监控模型的拟合和预测精度。 相似文献
14.
15.
变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建... 相似文献
16.
大坝监控过程中,大坝变形的实测值是一个非线性且非平稳的时间序列,支持向量机(SVM)适用于解决小样本、非线性问题,在SVM算法的基础上建立了改进的大坝变形监控模型,利用差分自回归移动平均模型(ARIMA)解决非平稳时间序列问题的优势,对SVM模型的残差进行处理,并采用粒子群算法(PSO)优化支持向量机(SVM)中的核函数。实例分析表明,优化后的组合模型预测结果可靠,且精度较SVM模型有所提高。 相似文献
17.
18.
支持向量机中核函数的选择对大坝监控模型预测精度具有较大影响。基于支持向量机结构风险最小化以及小波框架理论,提出用小波核函数代替高斯径向基核函数(RBF),并采用粒子群算法对支持向量机的参数进行寻优,得到一种新的大坝变形预测模型。针对某实际工程,基于监测数据,将该模型与采用RBF核函数的支持向量机模型以及统计回归模型做对比,结果显示采用小波核函数的支持向量机模型模拟精度更高,泛化能力更强。 相似文献
19.
针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5%以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型. 相似文献
20.
针对人工神经网络在大坝变形监测模型应用中所出现的收敛慢和稳定性差等问题,提出了偏最小二乘法与人工神经网络耦合的大坝变形监测模型,提高了神经网络的学习速率和稳定性.首先运用偏最小二乘法对多维自变量进行主成分提取和降维处理,解决了变量之间的多重相关问题,而后把降维的数据输入神经网络进行训练.对比实例应用结果表明,偏最小二乘神经网络耦合模型的拟合速度和精度都高于传统的神经网络. 相似文献