共查询到19条相似文献，搜索用时 133 毫秒
1.
滑坡位移高精度预测对于滑坡预测预警具有重要的参考价值。顾及智能优化与机器学习组合模型在滑坡时序位移预测中的优势,构建了一种融合多层感知机和优化支持向量回归的滑坡位移组合预测模型。首先采用多层感知机（multilayer perceptron, MLP）对滑坡位移进行初步预测,然后构建基于差分进化（differential evolution,DE）算法改进的人工鱼群算法（artificial fish swarm algorithm, AFSA）与支持向量回归（support vector regression, SVR）组合预测模型（optimal combination SVR, OPSVR）以修正MLP预测结果。通过两起典型滑坡体北斗实测算例发现,由于DE有效克服了AFSA运行后期人工鱼个体大多处于随机运动状态而无法搜索到全局最优解的问题,提高了其寻优性能,进一步与SVR结合可更合理确定出SVR的超参数,从而提高了其预测精度;相较于单一MLP和SVR预测模型,以及常规智能优化算法（遗传算法、粒子群算法）、改进人工鱼群算法与SVR的组合预测模型,MLP-OPSVR组合预测模型具有更... 相似文献
2.
3.
为了提高地下开采地表下沉预测结果的精度及可靠性,提出了基于混合智能优化算法（hybrid intelligent optimization algorithm,HIOA）与组合核相关向量机（multi-kernel relevance vector machine,MK-RVM）的地下开采地表下沉预测方法。首先,分别构建HIOA与MK-RVM算法,并利用HIOA优化MK-RVM的参数。然后,采用优化后的MK-RVM构建地表下沉几何参数预测模型和动态下沉预测模型。最后,利用以上模型对上山移动角、下山移动角、中心移动角、地表最大下沉及动态下沉进行预测,并分析预测结果的精度及可靠性。实验结果表明,该方法的精度与可靠性较单一核函数相关向量机与支持向量机有较大改善。 相似文献
4.
动态平差灰色预测优化模型 总被引：10，自引：0，他引：10
根据灰色系统ＧＭ（１,１）模型的性质,提出了利用观测网的数据建立ＧＭ（１,１）模型的优经方法,从而使观测网的动态平差与预测得到优化,计算实例说明是有效的。 相似文献
5.
以往的灰色GM （1,1）优化模型往往忽略了灰度模型随时间变化的灰色量和灰色过程这一重点,其中的灰色作用量是时间的线性函数,传统的模型把其看为不变常数,而对时间的精度影响没做深层次的考虑,建模时较少的考虑时间相关度和灰作用量的影响,势必会影响预测精度,造成模型效果欠佳,故本文尝试对这两个因素分别建立优化GM （1,1）模型,即引入基于时间的加权R-GM （1,1）模型和用灰作用量b1＋ b2 k替代b的K-GM （1,1）模型,并对实例数据进行分析,取得了较好的拟合与预测能力。 相似文献
6.
为了使低成本MEMS陀螺仪数据的精度更高，本文提出了一种混合核函数支持向量回归（SVR）的MEMS陀螺仪随机误差预测模型，并通过粒子群优化（PSO）算法对模型参数和核函数参数进行优化；同时通过Allan方差法对SVR预测前后的MEMS陀螺仪随机误差数据进行分析。试验结果表明：混合核函数SVR对MEMS陀螺仪随机误差的预测准确度可达99.99%；当MEMS陀螺仪所处状态不同，但噪声特性相同时，可采用统一的SVR预测模型预测随机误差，研究结果为进一步用于MEMS陀螺仪的实时误差补偿中提供依据。 相似文献
7.
基于机器学习语言建模时,传统方法仅以拟合均方误差（mean square error,MSE）最小为单一优化目标,容易引起过拟合问题。对此,基于关联向量机（relevance vector machine,RVM）,建立了融合变形空间关联性的双优化目标约束下的概率性预测模型。利用形状相似度（shape similarity index,SSI）对拱坝变形的空间关联性进行量化,并将单测点MSE和区域变形SSI相融合,共同作为RVM模型的训练优化目标,以期实现MSE尽可能小,而SSI尽可能大。以锦屏一级拱坝为例,预测均方根误差和最大误差的平均降幅分别为31.2%和24.8%,使用多核函数之后,模型预测性能进一步提升;RVM模型的预测置信带宽明显小于多元回归模型,平均降幅为75.1%,这表明双目标RVM模型可有效提升特高拱坝位移预测的精度和稳定性,并降低不确定性。 相似文献
8.
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
9.
在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。 相似文献
10.
给出了时变参数PGM（1,1）模型的数值解法,比较了其与GM（1,1）、PGM（1,1）模型的预测精度,分析了灰区间作为预测结果的可靠性。 相似文献
11.
12.
地面沉降是一个复杂的过程,较难建立准确的预测模型。传统灰色模型不能处理沉降观测值序列中的异常点,对于波动大的原始数列也没有精确预测,针对其背景值取值方法的不足,建立一种精化灰色模型(JGM(1,1)模型),分析预测结果和精度,表明该模型具有较高的预测精度和可靠性。 相似文献
13.
14.
15.
16.
17.
岩层与地表移动具有一定的规律,由于Knothe时间函数虽然可以预计地表下沉,但在预计中有描述地表下沉速度的不足,并且其函数复杂。研究矿区单点动态下沉过程对于地表建筑物的保护具有重要意义,本文采用Logistic模型拟合下沉曲线,得到了预计方程,结果表明预计精度较高。Logistic模型参数少,函数相对简单,计算结果表明Logistic模型对矿区开采沉陷具有较好的预测精度。该模型对单点的下沉拟合程度高,在采用81期数据的预计模型中,误差平方和SSE为0.0066218,误差均方MSE为0.0000871,接近于0,表明拟合与预计精度较高,最大预计误差为0.0120673 m,对于研究矿区地表下沉规律具有重要意义,有助于了解地表单点下沉全过程,在地表活动剧烈期可对地表建筑加强支护。 相似文献
18.
地铁区间盾构法施工监测是确保地铁区间施工安全的重要保障。在分析盾构隧道施工地表建（构）筑物沉降监测、建（构）筑物倾斜监测、裂缝监测、隧道管片隆沉监测、隧道管片水平收敛监测等监测内容、监测方法、监测频率及控制标准的基础上,结合某地铁区间盾构法施工监测工程实践,分析所获得的横向地表沉降、隧道管片沉降或隆起、净空水平收敛监测的结果,得到相应横向地表沉降、纵向地表沉降和沉降过程的规律,以及隧道管片沉降或隆起、净空水平收敛监测变形规律。 相似文献
19.
地表移动与变形曲线形态分析 总被引：1，自引：0，他引：1
本文根据地表移动基本原理及褶曲构造矿层开采地表移动预计方法,给出了向斜构造和背斜构造矿层开采时的地表移动与变形曲线,总结出下沉盆地中地表沉陷的分布特征;从地表移动机理方面对三种基本构造形式的下沉曲线形态进行分析,合理地解释了产生曲线形态差异的基本原因;并给出了一些重要结论。 相似文献