共查询到18条相似文献，搜索用时 192 毫秒
1.
为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R2)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。 相似文献
2.
为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明：Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型（随机森林、支持向量机和人工神经网络）,Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。 相似文献
3.
准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。 相似文献
4.
为提高矿山边坡地表变形预测模型的精度，从矿山边坡地表变形影响因素角度考虑，建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法，提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系；采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据，应用ELM建立预测模型，并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化，以提高其预测精度。研究表明，经过PSO的优化，将预测模型的最大相对误差（4.705×10-8）、均方误差（6.243×10-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10-8，1.158×10-5和0.003，说明PSO-ELM预测模型具有更高的预测精度，该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中，以期提升矿山生产安全。 相似文献
5.
库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测 总被引：1，自引：0，他引：1
《地质科技情报》2015,(6)
地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。 相似文献
6.
高堆石坝瞬变-流变参数三维全过程联合反演方法及变形预测 总被引：1，自引：0，他引：1
利用反演分析得到的参数进行高面板坝的应力、变形分析来预测长期变形。由于堆石坝的施工过程和变形机制比较复杂,很难将瞬时变形和流变变形分开,因此,有必要对静力本构模型参数和流变模型参数进行综合反演。利用实测位移资料,以对堆石坝变形较敏感的静力本构模型和流变模型参数为待反演参数,采用基于粒子迁徙的粒子群算法和径向基函数神经网络构建参数反演平台,该方法克服了粒子群算法易陷入局部最优和早熟收敛的缺点,采用经过训练的神经网络来描述模型参数和位移之间的映射关系,节省了参数反演的计算时间。对水布垭高面板坝的反演结果表明,基于反演参数的沉降计算值与实测值吻合得很好,坝体变形在合理范围以内并趋于稳定。 相似文献
7.
基于PSO-SVM非线性时序模型的隧洞围岩变形预报 总被引：2，自引：0，他引：2
现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。 相似文献
8.
波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。 相似文献
9.
基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型 总被引：1，自引：0，他引：1
高斯过程回归(GPR)学习机有着容易实现、超参数自适应获取及预测输出具有概率意义等优点。通常采用共轭梯度法获取GPR超参数,但其存在优化效果对初值依赖性太强,迭代次数难以确定,易陷入局部最优的缺点。改用粒子群优化 (PSO)算法进行最优超参数搜索,形成粒子群-高斯过程回归耦合算法(PSO-GPR)。将该算法引入三峡永久船闸高边坡、卧龙寺新滑坡、链子崖滑坡3个不同的典型滑坡变形时序分析中,对每个滑坡分别采用稳态核及一种新式神经网络（NN）、平方指数（SE）、有理二次型（RQ）3种单一核函数进行外推预报测试。工程应用表明,基于3种不同单一核函数的粒子群-高斯过程回归算法（PSO-GPR）均能完全适应不同滑坡时序分析,其中以NN核函数外推预测效果最佳,平均相对误差分别为6.37%、7.62%、1.07%,从而改善了在进行不同滑坡变形时序分析时采用单一核函数的核机器外推能力存在较大差异性的问题,提高了单一核函数对不同数据类型的兼容性 相似文献
10.
11.
如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。 相似文献
12.
基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。 相似文献
13.
为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。 相似文献
14.
导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。 相似文献
15.
滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明:在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。 相似文献
16.
深基坑施工变形预测VAR建模与应用分析 总被引：1，自引：0，他引：1
在实际施工过程中,基坑变形发展与多种因素有关,很难用力学模型进行定量分析,而根据已有的监测数据建立模型预测未来一段时间内的变形发展趋势,进而对当前施工方案进行评价、调整,方法更可靠。首先,分析深基坑施工实际监测数据的发展规律,由经济预向量自回归测VAR模型（vector auto regression,VAR）建立基坑施工变形预测VAR模型,并结合监测数据进行模型精度评价和预测比分析。根据分析结果,模型精度排序为：VAR模型＞新陈代谢模型＞神经网络模型＞GM(1, 1)模型,模型预测比排序为：VAR模型＞新陈代谢模型＞神经网络模型＞GM(1, 1)模型。 相似文献
17.
基坑变形是一个动态的相互依存的过程。在基坑开挖与施工过程中,可用灰色理论GM(1,1)与时间序列AR组合模型预测其变形发展。灰色模型预测发展趋势,时间序列预测其随机部分。根据某时间序列变形观测值分别建立灰色与时间序列预测模型,并随着新数据的加入适时修改模型参数。工程实例研究表明:用组合模型预测变形值,其误差大多数情况下小于5%;在数据较少或变形数据变化较大时,组合模型预测值明显优于单一模型预测值。但在数据较多且变化平稳时,用单一的灰色模型与灰色时间序列组合模型预测误差相差不大。预测步数越多,则预测精度越低。 相似文献
18.
地铁深基坑支护的遗传神经网络位移反分析 总被引：2，自引：0，他引：2
针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。 相似文献