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...     

三峡库区某滑坡变形影响因素分析

根据三峡库区某滑坡5年左右的GPS位移监测以及降雨量、库水位监测数据,选取降雨和库水位两个因素研究了其对滑坡变形的影响。结果表明:降雨的入渗增加了滑体重量、软化了岩土体、润滑了滑带与滑床的接触面,会降低滑坡的稳定性;库水位的上升一般对岩土堆积层滑坡的稳定性无明显不利影响,而其下降却使滑坡变形加速;两者对滑坡变形的影响均表现出一定的"滞后效应",滞后期一般为5~10 d。     

神经网络在滑坡预报中的应用

该文讨论了滑坡预报技术的现状?存在的问题以及应用神经网络解决滑坡预报问题的新途径;提出了一种基于神经网络的滑坡预报系统(HPNN)模型及基本结构,并通过实例介绍了其工作原理?     

应用GPS观测滑坡变形的结果分析

应用GPS观测滑坡变形在我国逐渐开展,这项技术的实用性如何目前尚处在探索研究阶段。通过对四川省雅安市峡口滑坡的GPS观测结果分析,讨论了滑坡变形的成因及GPS观测技术的可靠性问题。分析结果认为,GPS观测滑坡具有广泛的应用价值。     

基于小波变换和神经网络的短期风电功率预测方法

随着并网风电场规模的不断增大,为保证电力系统运行的稳定性、合理制定调度计划、提高风电场在发电市场的竞争力,需要对短期风电功率进行准确地预测。该文提出一种小波变换和神经网络理论相结合的综合预测方法,将历史风电功率序列和历史风速序列分别进行小波单尺度分解,得到对应的概貌功率、细节功率和概貌风速、细节风速;然后用概貌功率和概貌风速序列训练BP神经网络,预测未来的概貌功率;用细节功率和细节风速序列训练BP神经网络,预测未来的细节功率。在此基础上,将概貌功率和细节功率叠加,得到最终预测结果。对我国某风电场的实际数据     

泄流坡滑坡变形特征及成因分析

泄流坡滑坡位于甘肃省舟曲县境内的白龙江左岸,滑体长２ ６００ ｍ ,总体积约５ ０００ 万ｍ３ ,为一典型的断裂带滑坡。２０ 世纪以来该滑坡曾发生８ 次滑动,滑体明显分为上下两段,目前总体上滑体仍处于匀速滑动状态,日平均滑动达２０ ｍｍ 以上,局部滑动活跃。滑坡变形主要受新构造运动、地震活动、断裂破碎带、软弱地层影响,同时受降水、江水冲淘和人类活动作用。有关部门应加大投入对该滑坡进行治理,以保证人民生命财产安全。     

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。     

基于小波神经网络的轴流泵性能预测

针对由轴流泵内部流动复杂性导致的性能曲线难易获取的问题,致力于经济、可靠的获取其基本性能曲线和预测其基本性能,以期产生缩短设计和制造周期、降低技术改造费用等巨大的经济效益和社会效益。采用小波神经网络方法建立了轴流泵性能预测的数学模型,通过2个模型训练考查了其适应性、收敛性和精度,说明了其相对BP神经网络具有网络收敛速度大幅加快(由95缩短到15 s)和精度大幅提高(期望误差由2.0×10-2减小到6.5×10-4)的优点,经泵站工程改造过程中预测数据和实测数据的对比分析(扬程误差率均小于1.2%,效率误差率均小于1.5%),充分证明了小波神经网络预测模型的稳定性和实用性,据此获得的轴流泵基本性能曲线和实现的性能预测是经济的、可靠的。该研究可为轴流泵的设计、制造和技术改造提供参考。     

基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述.针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中.以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数.通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高.RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径.     

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R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

神经网路模式在流量之预测

本文以倒传递神经网路模式,进行长期流量预测之应用研究,并以台湾中部德基水库上游松茂流量站历年观测资料进行探讨。初步得到预测结果与实测值比较尚有一倍以上的误差。但以神经网路之潜在应用潜力,寻找系统化网路参数值建立方法以得到更精确预测结果之经验,为寻人相当值得继续研究之课题。     

基于神经网络方法的土壤流失量预测研究

生产建设项目土壤流失量的预测直接关系到建设项目的水土保持分析、评价和防治措施体系的布局,目前常用的预测方法因其局限性、不合理性以及精度差等问题往往难以实现准确预测。将人工神经网络的BP算法引入到土壤流失量预测中,将降雨侵蚀力、土壤可蚀性、坡长、坡度、水土保持措施作为影响土壤流失量的主要因子,并以17个生产建设项目水土保持监测实例作为学习样本和检测样本,建立了基于神经网络方法的土壤流失量预测模型。预测结果表明,该模型拟合和预测精度高,具有很强的应用价值,能够满足工程应用需要。     

基于BP神经网络的森林生态系统健康预测

森林的健康状况将直接影响全球生态稳定和全人类的可持续发展,而对森林健康预测是人们了解森林生态状况的重要手段。在选定森林健康评价指标的基础上,建立了一个3层BP神经网络模型,并应用于鹫峰国家森林公园森林健康预测。预测验证结果表明,基于神经网络预测森林生态系统健康具有良好的合理性与可靠性。并为了构建一个准确稳定的森林健康预测模型,给出了一些相关建议。     

基于Elman动态神经网络的土壤墒情预测研究

土壤墒情是一个非线性、时空异质性和动态不确定过程,利用Elman动态神经网络对研究区临沂站和平邑站土壤水分含量进行了预测。结果表明,所建立的网络模型能够对土壤墒情进行成功模拟,预测的土壤水分值与观测值吻合得较好,模拟精度较高。临沂站和平邑站模拟土壤墒情的平均绝对误差分别为1.08%和1.07%,平均相对误差为10.2%和11.0%。Elman动态神经网络模型利用其独特的非线性、非凸性和适应时变特性的能力从时空变率复杂的土壤水分运移系统中找出一定的演变规律,为土壤水分预测提供了一种有效可靠的方法。为了更好地验证该方法的优越性,还需要更多的样本数据,更多的区域和更全面的敏感影响因素来验证,以及更深层次的理论研究和分析。     

基于Logistic回归和RBF神经网络的土壤侵蚀模数预测

[目的]寻求估算土壤侵蚀模数的新方法,并通过GIS实现对土壤侵蚀空间分布情况的预测。[方法]采用土壤侵蚀模数作为判别条件,分别验证基于Logistic回归和RBF神经网络而建立的土壤侵蚀预报模型的适用性,进而构建并验证改进模型——LOG-RBF神经网络土壤侵蚀预测模型。[结果](1)Logistic回归模型判别目标土地是否发生土壤侵蚀的优势明显,未发生和发生土壤侵蚀的预测正确率分别为77.4%和97.9%,总预测正确率为94.9%。(2)RBF神经网络模型估计土壤侵蚀模数的能力较强,模拟结果的相对误差和平方和误差分别为0.612%和13.292,R2为0.57。(3)LOG-RBF神经网络土壤侵蚀预测模型预测结果的相对误差和平方和误差比RBF神经网络模型模拟结果分别降低了0.157%和2.601。R2为0.82,拟合程度上优于RBF神经网络模型。随着土壤侵蚀模数的增大,错估现象呈逐渐减少趋势。通过受试者工作特征曲线的判别,LOG-RBF神经网络模型的曲线下面积值比RBF神经网络模型大0.063,模型判断的准确性更高。[结论]利用LOG-RBF神经网络土壤侵蚀预测模型可更准确地估计土壤侵蚀模数,基于GIS能够预测土壤侵蚀的空间分布情况。