基于经验模态分解和支持向量机的大坝变形预测

为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

基于 EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解（EMD）和遗传BP神经网络的大坝变形预测新算法。该算法首先通过EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算法与灰色GM （1,1）、回归模型、普通卡尔滤波和遗传BP神经网络算法进行对比分析。结果表明,该算法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

基于EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解 （ＥＭＤ）和遗传 ＢＰ神经网络的大坝变形预测新算法。该算法首先通 过 ＥＭＤ对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化 ＢＰ神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算 法与灰色 ＧＭ （１,１）、回归模型、普通卡尔滤波和遗传 ＢＰ神经网络算法进行对比分析。结果表明,该算 法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上 保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。