基于小波分析的MGM(1,N)模型在大坝监测系统中的应用

针对大坝变形监测系统监测过程中受到各种随机因素干扰的情况,详细讨论小波分析和MGM(1,N)灰色模型的基本理论和建模过程,成功将基于小波分析的MGM(1,N)模型应用于大坝变形的预测预报.实践证明,先用小波滤波法对监测数据进行去噪处理,然后建立MGM(1,N)模型进行预测,能有效地提高传统MGM(1,N)模型的预测精度.     

地下水位动态变化预测中的MGM(1,n)模型

当观测资料的数据最少而又存在多个相互影响或关联的变量时，常用的灰色预测模型GM(1，1)不能全面考虑多个变最。为此，采用自适应MGM(1，n)模型一多变量灰色预测模型，较好地解决了这一问题。针对一些农区井灌水稻规模扩大而引起地下水资源紧缺的情况，以某井灌水稻地区地下水动态观测资料为研究对象，运用灰色理论建立MGM(1，1)模型，描述其地下水动态变化趋势，获得了较好的预测效果。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

大坝实测服役性态抗噪预测模型

大坝变形、渗流、应力应变等服役性态的原型监测数据序列,多具有非线性特征且易受噪声污染。为基于原型监测数据,通过构建大坝服役性态预测模型,高效合理地拟合和预测大坝非线性服役性态,需高度重视模型抗噪能力和泛化能力的提升。源于此目标,综合应用小波、支持向量机(SVM)、粒子群算法(PSO)等工具,开展了大坝实测服役性态抗噪预测模型的构建方法和应用研究。在对大坝服役性态原型监测数据小波消噪处理的基础上,借助支持向量机,建立了大坝实测服役性态预测模型;考虑模型精度受SVM惩罚因子及核函数参数影响显著的特点,引入PSO算法,实现了支持向量机参数的寻优。将文中方法应用于某实际大坝变形实测性态预测模型的构建,结果表明,所构建的抗噪预测模型较传统统计回归模型,在预测能力方面有一定的优越性,且对样本数量方面的要求可适当放宽,体现出较强的工程实用性。     

基于GM-ANN组合模型的大坝变形监测数据分析方法

大坝变形监测数据由于受水位、温度、时效等多因素影响,呈现一定的趋势性和波动性。引入时间序列分析模型和方法,合理分析大坝变形监测数据序列特征,精确预测大坝变形状况,是大坝安全监测的重要内容。重点针对"贫信息"、"小样本"情况下的大坝变形监测数据序列,将灰色模型(GM)与人工神经网络(ANN)模型相结合,研究了分析和预测大坝变形监测数据的方法,并进行工程实例验证。首先利用灰色模型拟合和预测实测样本数据,然后将灰色模型残差作为人工神经网络模型的学习样本进行训练和预测,最后将上述结果进行综合得到大坝变形的预测值。应用文中所述方法对某实际大坝变形监测数据的建模检验表明,本文给出的GM-ANN模型预测精度高于GM(1,1)模型,具有较好的实用性。     

基于融合型WNN的大坝裂缝开合度预测模型研究

大坝的裂缝开合度监测是大坝安全监测中重要的项目之一。因此,大坝裂缝开合度预测的准确性对大坝安全监控十分重要。外界诸多因素都会对大坝裂缝开合度造成一定的影响,导致情况非常复杂。为了提高大坝裂缝开合度预测的精度,尝试将融合型WNN(小波神经网络)应用于大坝裂缝开合度预测,并将该模型应用于某混凝土大坝的裂缝开合度预测中,并与BP神经网络模型、松散型WNN模型及传统的多元回归模型预测结果进行对比。结果表明,融合型WNN用于大坝裂缝开合度预测精度更高,效果更好。     

基于SFLA的改进非等间距GM(1,1)预测模型

将大坝位移监测量认为是一定范围内变化的灰色量。基于灰色理论,建立的大坝位移灰色预测模型,常被用于大坝位移实测资料序列的分析和预测。在对传统GM(1,1)预测模型构建原理论述的基础上,通过引入混合蛙跳算法,残差修正方法等,研究提出了基于改进非等间距GM(1,1)的大坝位移预测模型,结合工程实例,在对大坝位移原始监测资料分析的基础上,将改进GM(1,1)预测模型与传统GM(1,1)预测模型进行了对比分析。结果表明,改进GM(1,1)预测模型的预测精度有较大提高。     

灰色预测在作物需水量推算中的应用

该文运用灰色预测方法进行作物需水量预报.除以1980～1991年实测数据序列进行整体建模外,还以降雨频率为基础分为正常年及灾变(丰、枯)年型的子序列建立全生育期G(1,1)模型.同时按水稻不同生育期需水量本身及同相应的积温建立G(1,1)与G(1,2)预测模型.经水稻需水量观测数据建模预测,其结果效果好,精度高,利于在灌溉水量预报,制定用水计划、水源调度中广泛应用.     

基于Kalman-ARIMA模型的大坝变形预测

大坝变形预测是大坝安全监测系统的关键组成部分,对监控大坝的安全运行起着关键作用。然而,大坝变形监测数据易受到随机干扰噪声的污染,影响变形预测的精度。故提出了Kalman-ARIMA模型,即先根据卡尔曼滤波法剔除观测数据中的随机干扰噪声,然后利用ARIMA模型对经过滤波后的数据进行建模并作预测。结合某大坝的位移监测数据资料,利用Kalman-ARIMA模型预测了该大坝的位移,并与仅利用ARIMA模型预测的位移值作对比,结果表明,Kalman-ARIMA模型能够有效地降低预测值与真实值之间的误差,可以应用于大坝变形预测。     

基于实时跟踪的ARIMA大坝安全监控模型

为了保证大坝安全监测的准确性并提高模型的预测长度,将差分自回归移动平均模型(ARIMA)结合实时跟踪算法,建立基于实时跟踪的ARIMA大坝安全监控模型,利用ARIMA拟合性好的特点对大坝监测数据进行拟合建模,并使用实时跟踪算法的等维递补思想提高大坝变形监测的预测长度,工程实例表明,基于实时跟踪的ARIMA大坝安全监控模型精度较高,对于数据信息挖掘能力强且具有较长的预测长度,具有很高的工程应用价值。     

改进的PSO-SVM模型在大坝变形预测中的应用

支持向量机(SVM)由于理论基础完善,在处理高维度非线性问题中,表现出了许多特有的优势。因此,支持向量机模型在处理大坝变形预测问题时具有明显的优越性,且常采用粒子群(PSO)算法对SVM模型的惩罚参数C和核函数σ进行寻优,但是标准的PSO算法存在早熟收敛以及易于陷入局部极小值等缺陷。引入柯西分布函数和密度函数,根据函数变化的性质对标准PSO算法中粒子位置和速度的更新公式进行改进,有效提升了算法的寻优性能。运用改进后的PSO-SVM模型对水布垭面板堆石坝的面板挠度变形进行预测分析,并与SVM模型、标准PSO-SVM模型的预测结果进行对比,结果显示,改进的PSO-SVM模型的拟合效果和预测精度都更加优秀,为进行大坝变形预测工作提供了一种性能优良,精度较高的预测模型。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

基于灰色神经网络-加权马尔可夫链的大坝变形监控模型及预报研究

大坝蓄水初期监测资料有限且波动性大,坝体结构处于适应变形的危险阶段。基于这种情况,结合灰色理论、神经网络和加权马尔可夫链理论的优点,构建灰色神经网络-加权马尔可夫链的大坝变形监控模型并对某碾压混凝土坝蓄水初期水平位移进行预测。结果表明,该模型解决了样本数据少、波动性大的问题,拟合效果较好,预测精度较高。     

变形监测数据分析的群集智能模型

针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。     

组合预测法对粮食产量的预测研究

为了对粮食产量进行准确预测,使用组合模型对粮食产量进行预测研究。通过对数据的分析确定了构成组合模型的三个单项模型：灰色预测GM(1,1)模型、多元回归预测模型、时间序列预测模型,并明确了确定组合预测模型权重的方法。使用4种预测模型对2015—2020年的粮食产量进行预测,结果显示组合预测模型的平均相对误差最小。因此,通过对预测模型的检验证实了模型的可行性和准确性,确定了组合模型可以充分地利用各种预测方法所提供的信息提高预测精度,使得预测结果更加准确有效。     

鲁棒回归在水工建筑物安全监控模型建立中的应用

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段,而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响,针对这个异常值问题,采用鲁棒回归方法,有效地剔除或削弱了监测数据中的异常值的影响,实例分析表明:在监测数据中含有异常数据的情况下,基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法（SSA）确定极限学习机（ELM）中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵（SE）和相关分析法,通过变分模态分解法（VMD）对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。     

鲁棒回归在水工建筑物安全监控模

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段，而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响，针对这个异常值问题，采用鲁棒回归方法，有效地剔除或削弱了监测数据中的异常值的影响，实例分析表明：在监测数据中含有异常数据的情况下，基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

径向基函数网络与WebGIS融合的苹果病虫害预测

以ArcIMS为二次开发平台,开发了基于Java技术和MVC架构的苹果病虫害预测预报系统平台,在建立了20余种苹果病虫害预测模型的基础上,采用动态数据交换技术(DDE)实现了GIS分析功能与病虫害预测模型的集成;具有空间数据和属性数据的分析处理、苹果病虫害预测预报、WebGIS信息发布等功能;可以通过地图或专题图、数据表格、图形或文字等多种形式预测预报苹果病虫害发生时间和发生程度.以苹果山楂叶螨为例,详细阐述了系统中径向基网络模型的构建,该模型的测试准确率为87.5%.高于BP神经网络的75%.     

基于灰色残差-马尔可夫藕合模型的农业需水量预测研究

将灰色残差模型与马尔可夫预测模型结合起来,建立灰色残差-马尔可夫藕合模型来预测农业需水量.先用灰色GM(1,1)模型进行预测,预测精度较低,因此对GM(1,1)模型进行一定程度的改进,建立灰色残差GM(1,1)模型;再用马尔可夫预测模型来判断残差预测值的符号,以提高预测精度.最后用华东某城市2002-2008年的农业用水量作为历史数据进行了预测,结果表明预测精度明显提高.预测结果可以为研究区域今后的节水灌溉发展提供理论依据,来有效地指导今后该地区的节水灌溉.