基于改进BP神经网络的海堤渗压监测方法

由于影响海堤渗压的因素较多,导致在对海堤渗压进行监测时存在较大误差,为此提出基于改进BP神经网络的海堤渗压监测方法研究。先利用马氏距离计算了不同潮位对渗压的影响强度,综合了海堤结构和降雨情况两个方面计算降雨对海堤渗压的影响强度,然后根据海堤堤身状态的发展基础计算了时效对海堤渗压的影响强度,结合计算结果,改进了BP神经网络隐含层的神经元设置,将相对误差参数作为输出层的输出期望,最后利用Sigmoid函数对影响因子参数进行归一化处理后,以实际的影响因子参数为基础实现对海堤渗压数据的监测。测试结果表明,设计方法的监测结果与实际海堤渗压数据之间的误差<1.50 kPa,且其获得结果明显优于对比方法,具有较高的准确性。     

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。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

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。     

NARX在土石坝渗流预测中的应用

渗流监测是掌握大坝安全性态的重要手段,针对土石坝渗流压力存在滞后于库水位的特点,引入具有延时输入特性的带外源输入的非线性自回归神经网络(Nonlinear Auto-regressive with Exogenous inputs neural network, NARX)实现土石坝渗压的有效预测。以某一水库大坝为例,将历史某时段的库水位和降雨等影响因子作为输入序列,渗压测值作为输出序列,分别建立NARX网络多因子和单因子模型进行拟合训练和多步预测,并将预测结果与传统回归模型和传统BP神经网络进行对比。研究结果表明,在RMSE、MAE、MAPE 3种精度指标下,NARX模型均优于2种传统模型。其中,在单因子条件下,NARX仍具有良好的表现。NARX的延迟输入特性可在一定程度上模拟坝体水流渗透的滞后性,对于土石坝的渗压预测具有良好的应用效果。     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播(BP)网络算法,并建立了相应的网络模型.大量的数据分析计算表明,该模型收敛快,且精度优于常规的模糊神经网络和传统的统计模型.     

潮位影响下的海堤渗压变化特点

通过先进的潮位和海堤渗压监测仪器及其数据采集系统,获得海堤堤身不同位置实测渗压序列,以及对应的潮位变化曲线,采用序列对比、马氏距离计算、谐量分析方法,对工作在潮位环境下的海堤渗压所具有的一些特殊规律进行分析,归纳总结了渗压与潮位间的关联特点、海堤断面渗压分布规律的多变性以及渗压变化的多周期特征,并对海堤渗压监测模型的建立以及海堤堤身渗压计算提出建议,为有针对性地进行海堤状态的计算、监测、识别提供有效参考。     

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。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

RF机器学习算法在边坡渗压预测中的应用研究

为准确反映边坡渗压与影响因素之间复杂的非线性关系,提高渗压预测的精度及稳定性,将随机森林(random forest,RF)算法引入到边坡渗压预测中。通过分析影响边坡渗压的主要因素,选取水位因子、降雨因子、时效因子作为模型输入变量,分析袋外(out-ofbag,OOB)数据误差,确定参数的最优组合,构建一种基于RF算法的边坡渗压预测模型。对某渠道边坡的渗压实测数据进行分析预测,并与BP神经网络(back propagation neural network,BPNN)模型及逐步回归模型进行对比。结果表明,所建RF模型精度高,稳定性好,能够更有效地进行渗压预测。     

海堤渗压安全监控潮汐确定性模型和混合模型研究

为了掌握在时刻变化的潮汐作用下的海堤渗流状态,考虑潮汐分量对渗流状态的影响,将其与用有限元法计算出的测点渗压进行优化拟合,建立潮汐确定性模型;在考虑潮汐分量对渗流状态影响的基础上,考虑时效分量的作用,将其与测点实测渗压进行优化拟合,建立混合模型,模型对潮汐分量的计算仍然采用有限元法,对时效分量的计算采用统计方法。两模型均利用逐步回归分析法求得回归系数和复相关系数。分析两模型的复相关系数,建模和预测平均相对误差。实例表明,这两种模型均能够较好地反映测点的渗流状态,预报测点的渗压,实现对海堤渗压的有效监控和预测。     

关联分析和改进BP网络在大坝测值预报中的应用

针对基于统计的大坝安全监测预报模型中,多效应量间和多影响因子间都存在互相关性,且效应量与影响因子又呈现出复杂的非线性动力系统特征,从而导致预报模型可信度降低的问题,提出了优化方案,首先对多效应量和影响因子采用基于主成分提取的关联分析,实现去相关和空间降维,并按关联性次序将变换后的正交基作为模型输入因子,建立改进的BP神经网络回归,利用人工粒子群算法搜索网络的最优参数,从而获得预报模型。经与逐步回归、简单BP神经网络回归比较验证,实例表明本预报模型具有收敛快、鲁棒性强和预报精度较优等特点,兼有大坝性态分析评估辅助意义,具有一定的工程实用性。     

误差反向传播神经网络模型的改进及其应用

针对误差反向传播神经网络模型(BP模型)学习收敛速度慢、容易陷入局部极小点等缺点，提出原始数据的非线性规格化函数、记忆式初始权值、阈值和参数自动优选等方法，对BP模型进行改进。结合陆浑水库大坝沉降实测资料的分析，编制了改进后的BP网络算法程序。分析结果表明，改进后的BP模型对于提高网络运行收敛速度、防止陷入局部极小点、克服手工调试参数的盲目性、提高模型精度等都有较大的改善作用。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

基于改进BP神经网络的地下工程围岩分类

传统BP神经网络存在局部极小值、学习算法收敛速度慢、网络结构难以确定等缺点,因此采用改进的BP神经网络分析地下工程围岩的稳定性。将岩石单轴饱和抗压强度、岩石质量指标、岩体的完整性系数、结构面的强度系数、地下水渗流量作为围岩的分类指标,利用附加动量因子、L-M优化算法与Nguyen-Widrow初始化算法相结合的改进BP神经网络建立围岩稳定性的分类预测模型,并运用MATLAB对学习样本进行分类识别,确定地下工程围岩的岩体等级,并结合平均影响值特征筛选法确定影响围岩稳定性的主导因素。实例分析结果表明:岩体的质量、强度以及所处的状态对围岩的稳定起主导作用,结构面产状和性状则为次级影响因素。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于BP神经网络-实时跟踪算法的海堤沉降预测

对海堤工程进行实时监控对保障堤防安全具有重要意义。以浙江省某海堤工程沉降数据为研究对象,建立基于MATLAB的BP神经网络-实时跟踪组合预测算法模型,并用原型观测数据对其进行了校核和检验,最后将该算法结果与灰色理论中的GM（1,1）模型结果进行比较。结果表明,用BP神经网络-实时跟踪组合算法预测海堤工程变形具有较高精度和抗噪性,为海堤工程变形沉降预测提供了新的研究思路。     

基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用"试错法"来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

基于GRA-MEA-BP耦合模型的城市需水预测研究

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。     

基于人工鱼群算法的冰情预报神经网络模型

在分析凌汛成因的基础上选取合适的预报因子,针对BP神经网络收敛速度慢、易陷入局部极小值的缺点,利用改进的人工鱼群算法训练BP神经网络,以黄河宁蒙河段封开河日期数据进行建模,给出了人工鱼群算法训练神经网络的基本原理和步骤,并对人工鱼群算法神经网络模型、遗传算法神经网络模型、粒子群神经网络模型的预测结果进行了对比分析。结果表明:人工鱼群算法神经网络模型对黄河内蒙古段凌汛期的封开河日期预测比较准确,预测结果优于遗传算法神经网络模型和粒子群神经网络模型。