共查询到18条相似文献，搜索用时 104 毫秒
1.
以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。 相似文献
2.
从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。 相似文献
3.
提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。 相似文献
4.
以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。 相似文献
5.
三峡库区堆积层滑坡在季节性降雨和库水λ周期波动的影响下呈现间歇性活动特征,滑坡活动强度与诱 发因素作用强度和时间关系密切.以三峡库区白水河滑坡为例,分析了堆积层滑坡间歇性活动特征和诱发因素, 发现降雨和库水λ下降是滑坡变形的主要诱发因素.根据滑坡时序曲线特征,将滑坡累积λ移分解为趋势项λ 移和周期项λ移,采用多项式拟合的方法来预测趋势项λ移,利用长短期记忆神经网络模型来预测周期项λ移, 并与极限学习机模型、广义回归神经网络模型的预测结果进行了对比分析,发现长短期记忆神经网络模型预测滑 坡间歇性活动精度更高. 相似文献
6.
为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。 相似文献
7.
滑坡时间预测预报目前主要以滑坡最终破坏的时间为目标函数,但对于变形特征为阶跃型的滑坡却难以准确地预测其
破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法
分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡
预测的总位移。以典型阶跃型位移特征滑坡———三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果
进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。 相似文献
破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法
分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡
预测的总位移。以典型阶跃型位移特征滑坡———三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果
进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。 相似文献
8.
以紫阳县城滑坡为例,采用灰色理论的单序列一阶线性动态模型,在探讨滑坡变形规律的基础上,着重研究了滑坡变形的趋势预测及主要特征点变形的位移反演,为全面研究滑坡各阶段的变形规律提出了一种分析方法 相似文献
9.
针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。 相似文献
10.
滑坡位移预测是滑坡灾害研究中的一个重要内容，然而现有研究将滑坡视为一个对外界响应稳定的系统，即相同的外界条件下，滑坡的位移变化是相同的。实际上，随着时间的推移，滑坡所处状态不断变化，相同的外界激励下的位移响应相差甚远。从滑坡状态与位移的响应规律出发，提出了一种基于状态划分的滑坡位移预测方法以实现更高精度的滑坡位移预测。采用K均值聚类法对滑坡变形速度和加速度进行了聚类分析，获取了表征滑坡变形程度和变形趋势的状态标签。根据状态标签对监测数据进行了划分，对每一类数据均单独构造一个BP神经网络，并依据上一时刻的状态标签选择对应的预测器来完成滑坡位移预测。将该方法运用到白水河滑坡的工程实例研究中，结果表明此方法具有较高的预测精度。 相似文献
11.
??????μ???????????????????????????????????????????????????????????????з????????????????????????????????????????????????????￡?????????????????????????????????????????????????????????????????????Ч?????б???????????????????????????????????????????????????? 相似文献
12.
????????????????????????β?????????????????????о??????????????????????????????????????????????????????5????β???????????????????5?????????μ?????????????????????Ч?????????????????????????????????????????????????????????? 相似文献
13.
人工神经网络和决策树模型在滑坡易发性分析中的性能对比 总被引：1，自引：0，他引：1
机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。 相似文献
14.
为准确掌握滑坡变形发展规律,基于滑坡变形监测成果构建滑坡预警预测模型,即先利用MF-DFA模型开展滑坡变形数据的多重分形特征分析,并进一步利用M-K分析构建双重判据（Δa指标判据和Δf(a)指标判据）进行滑坡预警研究;另外,在利用集成经验模态分解法对滑坡变形数据信息进行分离处理基础上,通过GOA-RNN-CT模型实现滑坡变形的分项组合预测。结果表明,h(q)值随波动函数q值减小而减小,说明滑坡变形数据具有多重分形特征,且预警分级研究表明,滑坡预警等级为Ⅱ级,即滑坡变形趋向不利方向发展;同时,通过变形预测分析认为,分项组合预测在滑坡变形预测中具有较优的预测效果和稳定性,且外推预测结果显示,滑坡变形会继续增加;最后,将多重分形特征研究结果和变形预测分析结果进行联合响应综合得出,滑坡现有预警等级相对不利,且后续变形仍会进一步增加,趋向不稳定方向发展,建议对滑坡采取必要防治措施。 相似文献
15.
《山地科学学报》2021,(10)
An accurate landslide displacement prediction is an important part of landslide warning system. Aiming at the dynamic characteristics of landslide evolution and the shortcomings of traditional static prediction models, this paper proposes a dynamic prediction model of landslide displacement based on singular spectrum analysis(SSA) and stack long short-term memory(SLSTM) network. The SSA is used to decompose the landslide accumulated displacement time series data into trend term and periodic term displacement subsequences. A cubic polynomial function is used to predict the trend term displacement subsequence, and the SLSTM neural network is used to predict the periodic term displacement subsequence. At the same time, the Bayesian optimization algorithm is used to determine that the SLSTM network input sequence length is 12 and the number of hidden layer nodes is 18. The SLSTM network is updated by adding predicted values to the training set to achieve dynamic displacement prediction. Finally, the accumulated landslide displacement is obtained by superimposing the predicted value of each displacement subsequence. The proposed model was verified on the Xintan landslide in Hubei Province, China. The results show that when predicting the displacement of the periodic term, the SLSTM network has higher prediction accuracy than the support vector machine(SVM) and auto regressive integrated moving average(ARIMA). The mean relative error(MRE) is reduced by 4.099% and 3.548% respectively, while the root mean square error(RMSE) is reduced by 5.830 mm and 3.854 mm respectively. It is concluded that the SLSTM network model can better simulate the dynamic characteristics of landslides. 相似文献
16.
In order to reach the designated final water level of 175 m, there were three impoundment stages in the Three Gorges Reservoir, with water levels of 135 m, 156 m and 175 m. Baishuihe landslide in the Reservoir was chosen to analyze its displacement characteristics and displacement variability at the different stages. Based on monitoring data, the landslide displacement was mainly influenced by rainfall and drawdown of the reservoir water level. However, the magnitude of the rise and drawdown of the water level after the reservoir water level reached 175 m did not accelerate landslide displacement. The prediction of landslide displacement for active landslides is very important for landslide risk management. The time series of cumulative displacement was divided into a trend term and a periodic term using the Hodrick-Prescott(HP) filter method. The polynomial model was used to predict the trend term. The extreme learning machine(ELM) and least squares support vector machine(LS-SVM) were chosen to predict theperiodic term. In the prediction model for the periodic term, input variables based on the effects of rainfall and reservoir water level in landslide displacement were selected using grey relational analysis. Based on the results, the prediction precision of ELM is better than that of LS-SVM for predicting landslide displacement. The method for predicting landslide displacement could be applied by relevant authorities in making landslide emergency plans in the future. 相似文献
17.
跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生。对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变形水平位移预测,并与基于最大Lyapunov指数混沌时间序列预测结果以及实测数据进行对比分析。结果表明,基于RBF神经网络建立的混沌时间序列预测模型的预测结果比基于最大Lyapunov指数混沌时间序列预测模型的预测结果要好,且短期预测效果好。 相似文献
18.
提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。 相似文献