基于支持向量机和BP神经网络的滑坡变形复合式预测

[目的]探讨复合式组合预测模型对滑坡两变形时间序列的预测效果,为滑坡的变形预测提供一种新的思路。[方法]基于支持向量机和BP神经网络,构建滑坡位移序列和速率序列的复合式预测模型,首先,对滑坡环境因素进行分析,提取其基本信息;其次,利用2种预测方法构建回归结构预测模型和多因素预测模型,并对两时间序列进行一重预测;最后,利用BP神经网络对一重预测结果进行了二重组合优化。[结果]滑坡库水位与滑坡两变形序列均具有较大的相关性,滑坡的稳定性很大程度上会出现周期性疲劳减弱的可能,且通过对滑坡变形的复合式预测。[结论]该方法的相对预测误差均较小,很大程度上提高了滑坡变形的预测精度和稳定性,证明了该预测模型的有效性。     

基于傅里叶函数拟合的滑坡变形监测分析

滑坡变形监测和预测对滑坡灾害治理决策具有重要的参考意义,而研究计算简便、精度较高的数学模型来分析处理滑坡变形监测数据是关键。以G316线稍子坡段(K2556+345～K2563+000)10~#滑坡的深部位移监测数据为例,根据累计位移-深度曲线上突变位置在滑坡纵剖面上确定出滑动面,利用MATLAB软件中的curve fitting tool曲线拟合工具,通过多种拟合函数拟合效果对比分析,确定利用傅里叶函数拟合位移-时间监测数据,并利用拟合曲线进行滑坡变形趋势预测。该方法对小数据量的监测数据能够达到较高的预测精度,并具有计算简便的特点。     

基于信息分解条件的滑坡变形预测

[目的] 有效掌握滑坡变形规律,实现对滑坡变形的高精度预测。[方法] 基于滑坡现场变形监测成果,先利用优化经验模态实现其变形数据的信息分解,再利用优化径向基神经网络和马尔科夫链完成滑坡变形的分项组合预测;最后,利用季节性Kendall检验判断滑坡变形趋势,以验证预测结果的可靠性。[结果] 经验模态能有效分解滑坡变形信息,且通过优化处理,能进一步提高分解效果,并以互补式集合经验模态的分解效果最优;同时,预测结果的平均相对误差均小于2%,具有较高的预测精度,验证了预测模型的有效性,且变形趋势判断结果与预测结果较为一致,说明预测过程较为可靠,两者均得出滑坡变形呈持续增加趋势。[结论] 由于滑坡变形具增加趋势,其稳定性趋于不利方向发展,应尽快开展滑坡灾害防治。     

基于矩阵奇异值分解约束型无迹粒子滤波的滑坡位移预测模型研究

[目的]通过对滑坡位移预测模型进行研究,为政府部门实施更加可靠的灾害防治决策提供科学依据。[方法]提出了一种矩阵奇异值分解(SVD)约束型无迹粒子滤波(IUPF)方法,建立基于位移参数的滑坡位移预报模型。[结果]利用改进的SVD方法有效提升了无迹粒子滤波方法中Sigma点计算的鲁棒性,从而提升了算法的预测精度,对滑坡的稳定趋势能够做出更准确的预报。将该算法在镇江市跑马山滑坡体监测工程、京港澳高速公路雨花互通南侧护坡体滑坡监测工程相关数据进行了应用和分析验证。[结论]实例验证结果表明,加入SVD约束后的无迹粒子滤波算法,能够使得滑坡位移预测更加准确,预测的数据更加准确地反映了滑坡的变形趋势。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

三峡库区淌里滑坡变形特征及影响因素分析

滑坡监测主要采用地表位移GPS监测和滑体深部位移监测等方法。根据多年滑坡变形、库区降雨、库区水位变化等相关资料,分析了三峡库区淌里滑坡的空间变形特征,并研究了降雨和库区水位两个因素对滑坡变形的影响。该滑坡变形区呈牵引式变形特征,多年位移监测数据曲线呈阶跃性特征,与降雨过程具有一定的相关性,同时库水位的大幅变动对滑体变形的节奏也产生一定影响。滑体变形对水位下降的情况较为敏感,尤其当水位在一段时间内按一定速率持续宽幅下降时对变形区的稳定性影响更为强烈。     

基于PLSR和BPNN方法的番茄光合速率预测比较（英文）

CO2作为温室作物光合作用的重要原料,不同环境因子交互作用的植株叶片对CO2浓度需求具有较大差异。为寻求CO2浓度合理增施量,该文基于偏最小二乘法和BP神经网络方法对不同生长阶段番茄作物进行光合速率预测,进而探讨作物生长过程中可通用的光合速率预测方法。试验以无线传感器网络系统实时监测环境信息(CO2浓度,光照强度,空气温度及相对湿度),以LI-6400XT光合速率仪获取作物单叶净光合速率。剔除样本奇异点后,对样本值进行统一归一化。以CO2浓度、光照强度、空气温度及相对湿度为模型输入变量,以光合速率为输出量,利用偏最小二乘法和BP神经网络方法分别建立番茄幼苗期,开花期及结果期的光合速率预测模型。模型验证结果表明,偏最小二乘法在番茄各生长阶段的决定系数分别为0.74,0.88和0.85,最大相对误差为15.01%;而BP神经网络在各阶段具有较高的预测精度,其决定系数分别为0.94,0.96和0.97,最大相对误差为9.56%。因此,基于BP神经网络模型预测了特定环境下的CO2浓度饱和点,为温室CO2增施提供依据。     

滑坡的多模型综合预测预报研究

由于滑坡的复杂性以及预报模型和方法的局限性,简单地利用单一的滑坡预测预报模型准确地预报滑坡的滑动时间还很困难。为了提高滑坡预报的准确度,提出了在滑坡原型调研和机制研究的基础上,以滑坡的监测资料为依据,通过监测点的选取、监测信息的处理和变形阶段的判别,选择多个与所预报滑坡相适宜的预测预报模型对滑坡的滑动时间进行预测预报,并对多个模型的预报结果进行综合评判得出预报结果,最后以黄龙西村滑坡实例进行了应用。     

近红外光谱结合小波变换预处理在蜂蜜产地快速检测中的应用

应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地判别模型。对不同小波基和分解尺度进行了详细讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度最好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度最好;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度最好,为90.5%;预测精度WT-PLS-LDA模型优于WT-RBFNN模型。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地鉴别;近红外光谱结合WT-PLS-LDA可实现对蜂蜜产地的快速无损检测,为蜂蜜产地鉴别提供了一种新方法。     

基于多维建模的滑坡监测数据挖掘

安全监测是研究和防治滑坡的重要手段之一,而位移监测又是滑坡监测中一种最常用的监测手段.滑坡位移监测数据的分析一般基于平面文件进行,而本研究则基于数据仓库的概念,深入分析滑坡位移监测时间序列数据,使用建模工具Power Designer建立了滑坡位移监测多维模型,在多维数据集的基础上进行数据挖掘分析.以长江三峡库区白水河滑坡位移监测数据为例,设计了滑坡监测数据多维数据集的维、概念层次和度量等,并在SQL Server 2005 Analysis Services软件中使用Microsoft时序算法实现数据挖掘,对滑坡位移进行预测分析,得到的预测数据与实测数据误差很小,表明Microsoft时序算法可用于滑坡监测数据的短期预测.     

基于数量化理论和BP神经网络的滑坡体积预测

[目的]探讨数量化理论Ⅲ和BP神经网络在滑坡中综合应用的效果,为滑坡体积的预测提供一种新的思路。[方法]采用数量化理论Ⅲ分析滑坡体积的影响因素及其耦合作用强度,并结合其分析结果,将次要因素和强耦合程度样本进行剔除,再依据其剔除的不同阶段构建3种滑坡体积的BP神经网络预测模型。[结果]滑坡体积的主要影响因素是坡角、坡向、植被覆盖率和坡高,次要影响因素是岩层倾角、斜坡高程和岩层倾向因素,且在不同样本中,体积影响因素之间的耦合程度具有一定的差异。[结论]该预测方法可行,对次要因素和强耦合程度样本的剔除,提高了预测精度。     

基于数量化理论Ⅲ的滑坡变形组合预测研究

[目的]探讨基于数量化理论Ⅲ的组合预测模型在滑坡变形组合中的适用性,为滑坡变形组合预测提供新的思路。[方法]选取GM(1,1)、支持向量机、BP神经网络及MC预测作为滑坡变形的单一预测模型,并利用数量化理论Ⅲ分析单项预测的相对误差区间的重要性,进而确定区间权重,再结合预测误差确定的组间权重,综合确定组合预测的权值。[结果]组合预测结果相对误差的平均值为1.1%,方差为0.16。[结论]组合预测较单一预测模型的预测精度及稳定性都有较大的提高。     

青海省高家湾滑坡的形成条件分析及稳定性评价

[目的]评价青海省高家湾滑坡稳定性,为其灾害防治提供一定指导。[方法]在对高家湾滑坡基本特征分析基础上,先开展其形成条件研究;其次,利用传递系数法和瑞典圆弧法实现其稳定性现状评价,并进一步采用长短时记忆神经网络构建其变形预测模型,实现其稳定性预测评价。结合稳定现状评价结果,实现其稳定性的综合研究。[结果]高家湾滑坡具有滑坡形成的基本条件,且具有复合多期巨型规模特征,对其防治应具有综合性;同时,滑坡现状处于稳定状态,但局部次级滑坡存在失稳可能,且在不利工况条件下,稳定性将会进一步减弱;另外,据变形预测研究结果,得出其平均相对误差均小于2%,进而验证了本文优化LSTM模型的有效性,且通过外推预测,得出高家湾滑坡变形仍将继续增加,且无收敛迹象。[结论]高家湾滑坡稳定性还会进一步减弱,趋于不利方向发展,应尽快采取必要措施切实保证滑坡稳定。     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。     

基于Logistic回归和MCMC方法评价地震滑坡敏感性

Logistic回归模型(Logistic Regression,LR)在滑坡敏感性评价上应用广泛,但目前对于模型参数不确定性的研究较为缺乏。马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)方法能够结合参数的先验信息得到其后验分布,从而对估计参数的不确定性进行分析。为探索MCMC方法在Logistic滑坡敏感性模型构建中的有效性; 量化模型参数估计值的不确定性,以西南地区2013年4·20芦山地震,2017年8·8九寨沟地震和2014年8·3鲁甸地震为例,基于MCMC方法对Logistic回归模型的回归系数进行估计。构建了区域的地震滑坡敏感性模型,对模型参数的估计值进行了不确定性分析,并绘制了区域的滑坡敏感性图。结果表明:在芦山地震案例中,模型参数估计值的不确定性都比较低; 在九寨沟案例中,岩性因子的参数估计值不确定性较高; 在鲁甸地震中,岩性、剖面曲率和平面曲率的参数不确定性较高。总的来说,模型中的大多数参数估计值不确定性都较低。所构建的Logistic回归模型在三次地震滑坡事件中的预测精度都较高,AUC(Area Under ROC Curve)值均在0.9以上,这证明了MCMC方法对Logistic模型参数估计的准确性。在三次地震滑坡事件中,因子相对重要性最大的为高程,其次为距离断层的距离以及修正麦卡利烈度。研究为利用LR模型进行滑坡敏感性评价提供了一种新的思路和方法。     

滑坡灾害复杂性特征研究

从系统论的角度出发,将滑坡灾害作为一个复杂的巨系统来进行研究,详细分析了滑坡灾害在存在意义和演化意义两个方面的复杂性特征。同时,从协同理论、分形分维、突变理论、人工神经网络与免疫系统以及空间信息技术综合集成等方面探讨了多学科在滑坡灾害复杂性方面的研究。滑坡灾害的复杂性研究可以在一定程度上促进人类对滑坡灾害整体行为和发展演化过程的研究与探索,同时也可以为滑坡灾害的防治评价和预测预报提供科学依据和辅助决策支持,在滑坡灾害及其相关地质灾害的防治中具有积极的作用,在滑坡灾害的防灾减灾中有着广泛的应用前景。     

黑龙江省农业机械化作业水平预测方法

黑龙江省农机化作业水平的预测是一个复杂的非线性系统,其发展变化具有增长性和波动性,对于拟合的方法要求较高。该文对黑龙江省农机化作业水平预测方法进行研究,在传统预测模型灰色GM(1,1)模型、平滑预测模型和回归预测模型的基础上建立了基础预测模型,并与BP神经网络模型组合,建立了灰色神经网络、平滑回归神经网络等组合预测模型,并预测了黑龙江省2008～2015年的农机化耕、种、收、植保、灌溉作业水平。结果表明,新的预测方法拟合精度高、有效、可行,为农机化作业水平的预测提供了一条新的途径;黑龙江省机耕、机播、植保作业水平很高,但是机收作业水平不高,机械化灌溉是主要的瓶颈,需要进一步发展。     

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。