多元线性回归在水库短期洪水预报中的应用

应用Excel,以流域平均降雨量、前期影响和主要降雨历时为因子,建立多元线性回归方程,进行水库短期洪水预报,预报结果精度较高,具有简单易用的特点。     

基于主成分回归的大坝位移模型

位移监测是大坝安全运行过程中一项重要的工作。在建立大坝位移预报模型的过程中,常会出现影响因子之间存在严重相关性的情况,会影响模型系数的稳定性,采用主成分回归分析的方法可以很好地解决这个问题。在简述主成分回归分析原理的基础上,结合工程实测数据,建立了坝体位移量与相关因子的主成分回归模型和逐步回归模型,并对两者进行比较,取得了良好的效果。     

采用多元线性回归分析法预报东宁站年最大流量

依据大量的历史资料采用数理统计法分析水文要素本身的统计学规律或者水文要素和相关因子之间存在的统计关系,再运用这些规律或者关系制作预报的方法就是数理统计法。在数理统计学中研究一个随机变量与多个随机变量间的相关关系称为复相关或多元相关。在中长期水文预报中,常采用这种方法来分析预报对象与多个预报因子之间的关系,称为多元线性回归分析法。文章以绥芬河东宁水文站为例,采用多元线性回归分析法预报2014年年最大流量。     

多元线性回归在月最高水位预报方程中的应用

文中应用多元线性回归原理,运用EXCEL表格软件的数据分析功能,建立不同月份月最高水位的预报方程,并对结果进行了分析。     

根据历史位移预报大坝变形的神经网络方法

根据东江大坝变形水平位移实测数据分别建立统计模型和神经网络模型，以历史位移值作为参数来进行预测、预报，与采用变形因子作参数不同。实践表明，根据历史位移值来预报大坝变形是可行的，在预报精度方面，神经网络模型比统计模型得到的结果稍优。     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果.引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终...     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

应用Excel建立洪水预报多元线性回归模型的方法

提出了应用Excel来建立洪水预报多元线性回归模型的方法,该模型不需编程就能设计和运行,建模方法简单实用,经实例验证,效果良好.     

基于小波网络的大坝变形监测模型与预报

针对误差反向传递(BP)网络模型收敛速度慢和易陷入局部最小的不足，提出将小波网络用于大坝变形监测的拟合和预报，综合了神经网络与小波分解在函数逼近上的优点。算例证明：小波网络模型的预测值与实测值拟合比BP网络模型的精度有较大提高。     

基于人工神经网络的大坝变形分析与预报研究

本文在分析大坝位移影响因子的基础上,给出了基于BP-ANN(人工神经网络)分析大坝变形时的七种输入模式。探讨了在建立BP-ANN模型时几个关键问题的处理方法。结合某一混凝土拱坝的垂线观测数据,应用BP-ANN的不同输入模式,对大坝的变形值进行了预报和分析,得出了一些有益的结论。     

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ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

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CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

灰色模型改进的大坝变形分形几何监控模型

为了对大坝安全进行准确监控,利用分形几何理论预测大坝变形。针对一般常维分形分布不能很好分析大坝变形数据的问题,对监测数据进行N阶累计和变换,对变换后的数据利用分段变维分形模型计算各阶变形维数序列,再选择效果较好分形维数已知序列预测未知分形维数,最后反推大坝变形预测数据。针对传统变维分形预测模型分形维数预测方法的不确定性和所需监测数据量大的缺点,利用灰色模型预测分形维数,建立改进的大坝分形几何监控模型。结合工程实例,对比插值法预测分形参数的传统分形几何预测模型和灰色模型改进后的预测模型之间的预测精度,结果表明,改进分形模型不仅在预测精度上有所提高,而且更具稳定性和抗波动性。     

基于AdaBoost-SVM的混凝土坝变形预测模型

针对混凝土坝变形预测模型中环境量与效应量之间复杂的非线性问题,以及单支持向量机(SVM)模型预测精度不高的问题,提出一种AdaBoost-SVM的混凝土坝变形预测模型,该模型采用结构风险最小化的原则,并借鉴提升算法强化学习的思想,从而提高模型的学习性能,达到增强模型泛化能力和预测精度的目的。结合实例,经过AdaBoost-SVM预测模型对混凝土坝位移原型监测数据进行训练及预测,并将预测结果与单支持向量机模型的预测结果进行对比,结果显示:基于AdaBoost-SVM预测模型得到的均方差为0.5565,平均误差绝对值为0.40,预测精度比单支持向量机模型高出一个数量级;而且相较于单支持向量机预测模型,强化后的模型在预测时段表现出更好的稳定性。该模型综合了提升算法与支持向量机各自的优势,可作为混凝土坝变形预测的一种有效方法。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

特高拱坝施工及初次蓄水期变形回归模型研究

针对特高拱坝施工及初次蓄水期间的变形特点,在传统模型基础上,增加了初次蓄水坝高因子、初蓄温度因子和初蓄渗流因子,建立了施工及初次蓄水作用下的大坝变形回归模型。通过对某高拱坝初次蓄水期间大坝回归分析可知,新模型拟合精度高,各测点相关系数均在0.99以上。水压分量、温度分量、坝高分量、初蓄及时效分量变化趋势以及在整个径向位移中所占比例符合实际规律,考虑了施工及初次蓄水期间坝体上升、外界温度影响、坝体自身温度变化、初次蓄水及渗流作用、时效等影响,反映了初蓄期间坝体的变形特性。总之,新的大坝变形回归模型能够较好地反映施工及初次蓄水期的各种影响因素,便于分析施工及初次蓄水期坝体的工作性态。     

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。