共查询到17条相似文献，搜索用时 125 毫秒
1.
针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。 相似文献
2.
在水利水电事业不断发展的今天,大坝的变形监测显得尤其的重要。大坝变形监测的最终目的是通过监测点的变形数据来预测大坝变形未来的变形量。这也是传统的大坝变形监测常用的预测方法,然而这些方法都只是针对单个监测点进行预测,却不能反映大坝的整体形变。对于大坝整体变形的研究方面,虽然出现了一些有关多测点的研究方法,但距离大坝整体变形的目标还是相差甚远。针对这种情况,本文提出用聚类分析的方法来研究大坝整体变形规律。并将具有高效的全局搜索能力和高效的数据挖掘能力的进化算法---基因表达式编程算法用于聚类分析模型的建立中。提出基因表达是编程的大坝位移强度聚类分析模型。通过实例证明该模型能够反映大坝的整体变形规律。 相似文献
3.
4.
李妍妍 《测绘与空间地理信息》2016,(10):205-208
桩顶水平位移的变形监测是一项重要内容,针对传统预测方法存在的不足,本文采用基因表达式编程(GEP),利用Eclipse平台下的Java编程语言,建立了桩顶水平位移预测模型。将灰色GM(1,1)模型、BP神经网络模型和基因表达式编程(GEP)这三种模型对桩顶水平位移的预测结果进行对比分析,得出基因表达式编程不仅能够提高桩顶水平位移的预测精度,而且其学习效率比灰色GM(1,1)模型和BP神经网络模型也有显著提高,从而证明基因表达式编程模型在桩顶水平位移预测方面具有可行性。 相似文献
5.
针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。 相似文献
6.
针对传统变形监测方法在土石围堰表面仅从单点位置进行监测,而不能反映土石围堰整体变形情况的不足,本文提出采用基于基因表达式(GEP)的自动聚类方法(GEP-Cluster)。运用GEP在解决聚类问题时强大的全局搜索能力,及在用户不需数据先验知识的状态下仍可在未知簇个数等先验知识的前提下进行自动聚类分析并获得精确的聚类结果。本文通过对某土石围堰进行变形监测获得监测数据,利用GEP-Cluster方法对所获数据进行研究分析,从而预测监测区土石围堰的变形情况,为新建水利工程提供技术参考。 相似文献
7.
以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。 相似文献
8.
近年来,国内外学者在神经网络方面做了大量研究,使神经网络技术在计算、分析、仿真、控制等方面得到广泛应用,在变形监测和测绘数据处理领域,学者们做了大量实验和实践研究,得到丰富的研究和应用成果。本文首先对大坝变形影响因子进行分析,采用主成分分析法提取影响大坝变形的因子元素,最大程度降低因子之间的相关性对神经网络模型的影响。采用改进BP神经网和径向基函数神经网络两种方法,分析大坝变形预测预报效果,并结合相关文献研究成果,对比两种算法的优缺点,探讨神经网络应用于大坝变形监测的可行性。最后结合工程实际应用实例,研究计算表明,改进BP神经网络和径向基函数神经网络都能对实测数据有较好的拟合效果,达到大坝变形预测预报精度,在大坝安全预测预报分析中具有一定的参考和实用价值。 相似文献
9.
基于中值滤波的灰色预测模型及其在大坝变形预测中的应用 总被引：4，自引：0，他引：4
在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。 相似文献
10.
11.
BP神经网络在大坝监测资料分析处理中有广泛的应用,本文针对改进的BP神经网络:LM-BP网络模型的不足,采用遗传算法加以改进,建立了一种基于遗传算法和LM-BP网络模型的大坝3维变形预报模型GA-LMBP网络模型。将GA-LMBP网络模型应用于小浪底大坝3维变形预报分析中,取得了很好的预报效果,证明了GA-LMBP网络模型是一种行之有效的大坝变形分析预报模型。 相似文献
12.
13.
基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。 相似文献
14.
针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。 相似文献
15.
16.