共查询到16条相似文献，搜索用时 125 毫秒
1.
针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结... 相似文献
2.
介绍了一种新的神经网络权值优化算法——粒子群优（Particle Swarm Optimization，PSO）算法，提出了用粒子群神经网络对非线性系统进行系统辨识的构思。仿真实验结果表明，粒子群算法具有比BP算法更强的非线性系统辨识能力和更好的泛化能力。 相似文献
3.
基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法，构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量，并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加，最终建立多尺度变形预测方法，并应用于大坝变形预测。实验结果表明，改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法，证实了新方法的有效性及可靠性。 相似文献
4.
岩体变形模量是表征岩体变形特性的最重要参数之一，其获取手段有室内试验与现场试验法、经 验 关 系 法、数 值 模 拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法，但神经网络易陷入局部极小值和过学习而导致低精度，支持向量机回归（ＳＶＲ）方法能有效地避免神经网络的以上缺陷，并在小样本、非线性预测方面具有较大优势，但目前 ＳＶＲ 应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托，采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上，以３个国内的水电站为例，分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化－支持向量机回归（ＰＳＯ－ＳＶＲ）变形模量预测模型，同时，通过与 ＢＰ神经网络（ＢＰ－ＮＮ）、ＲＢＦ神经网络（ＲＢＦ－ＮＮ）２种预测方法进行对比，对比分析表明ＳＶＲ模型具有更高的预测精度，预测效果较好，说明 ＰＳＯ－ＳＶＲ方法更适用于岩体变形模量预测。 相似文献
5.
将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型。利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比。研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考。 相似文献
6.
针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。 相似文献
7.
针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。 相似文献
8.
针对粒子群优化算法易陷入局部最优并难以跳出的缺陷,提出了一种改进的算法。算法在采用自适应惯性权重基础上,引入粒子群局部收敛判断机制,对陷入局部最优的粒子采取新的进化模型以增加群体的多样性,进而降低了群体早熟收敛。通过新进化模型的粒子群优化算法对4个基准函数反复试验,仿真结果表明改进的粒子群算法具有更好的收敛精度并且可以有效避免早熟收敛问题,寻找到全局最优解。 相似文献
9.
引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。 相似文献
10.
开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明：引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。 相似文献
11.
???????????????????IPSO??????????????????????м??????????????????????????????????????????????????????????????????????????????BP?????????γ?IPSO_BP??????????????????μ????????????????????????IPSO_BP???????????????Ч?????????????????????????????? 相似文献
12.
一种基于熵权法的小波去噪复合评价指标 总被引：2，自引：0，他引：2
传统的评价指标在真值未知的情况下不能满足小波去噪质量评价的要求。为此，借助变化率特征重新构建均方根误差变化量和平滑度变化量两个指标，利用熵权法定权将归一化后的两个指标线性组合，所得到的新指标即为复合评价指标。该方法借助指标的变化率随分解层数的增加表现出明显的收敛特性来确定去噪最优分解层数。实验表明，该方法能够在真值未知的情况下准确地指导小波分解，确定去噪最优分解层数，从而达到最优去噪效果。 相似文献
13.
针对传统灰色模型在形变监测中数据序列拟合和预测精度不理想的情况,提出粒子群算法优化的分数阶算子EGM(1,1)模型。通过粒子群算法选择拟合EGM(1,1)平均相对误差最小的分数阶次,构建最优分数阶算子EGM(1,1)模型。用典型的变形监测数据验证优化模型,结果表明,优化模型对变形监测数据的拟合和预测都达到较高的精度,说明优化模型在变形监测数据的处理中具有可行性和有效性。 相似文献
14.
针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。 相似文献
15.
建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。 相似文献
16.
��������Ⱥ֧�������������ǵ��θ�����GPS�߳���� 总被引：1，自引：0，他引：1
?о?????????????????????GPS???????е?????????????????????????????????θ??????????μ??????????????????????????????????????????????????????????????????????SVM??????????????????????????????淨?????溯??????BP?????編???????????侫?????? 相似文献