改进的PTM方法及其在区间估计中的应用

在小样本情形下,传统区间估计方法和PTM方法得到的置信区间不具有稳健性.对PTM方法进行改进,对原来的深度函数进行重新定义,得到改进的PTM方法,并且在2种抽样方法下以不同分布将其与传统方法进行比较得到:改进的PTM方法精度较高,在相同置信水平下,置信区间更短,真值覆盖率更大.     

改进的PWM方法在大坝安全监测中的应用

本文主要利用置信区间法对大坝进行安全监测,利用改进的PWM方法和传统方法对大坝位移的置信区间进行检测,结果显示改进的PWM方法与传统方法相比较监测的结果基本一致,但是误差更小,更能较好的反映大坝安全性态,更好的预防大坝安全事故的发生。     

基于SVM理论的大坝变形监测模型改进方法研究

分析与处理大坝变形监测资料对于大坝安全运行意义重大.支持向量机(SVM)能够有效解决高维数的非线性问题,并且具有良好的泛化能力.以SVM理论为基础,建立大坝变形监测模型,并在此基础上研究其改进方法.改进思路为充分利用马尔科夫链适用于原始监测数据波动大的优势,对其残差进行处理;同时考虑到核参数和惩罚因子的选择对SVM模型有很大影响,采用改进粒子群算法对其参数进行寻优.通过实例分析比较各种改进方法,结果表明,提出的对SVM模型的改进方法可以提高预测的泛化能力及精度.     

大坝监测位移的改进灰色因果模型

大坝监测位移通常受到水压、温度、时效等因素的影响,为了考虑各因素之间相互影响和制约关系,并且能较好地反映其整体的变形规律,文章建立了灰色因果模型;同时,为提高监测位移的建模拟合精度,更好地进行位移预测,将基于Simpson公式改进的GM(1,N)模型运用到大坝位移监测中,以某大坝监测资料进行计算和比较;结果显示,改进GM(1,N)模型具有较高的拟合和预测精度。     

非线性分位点回归方法在大坝安全监测中的应用

基于分位点回归模型比最小二乘回归模型具有更强的统计分析能力,将参数估计的MM算法和统计诊断中的影响度量MM距离运用于大坝水平位移的统计模型,并给出了应用实例.结果表明,分位点回归方法受异常点影响较小,训练及预报结果优于最小二乘法,将其应用于大坝水平位移安全监测,可提高预报模型的预测精度,能更好地对大坝运行性态进行分析.     

基于改进的BP神经网络的大坝蓄水期实时预报模型

蓄水期是大坝安全监测的重点时期.鉴于坝体性态随水位快速升高产生实时变化,蓄水期监测资料平稳性较差等特点,传统的BP神经网络对数据处理本质上属于静态网络,不能满足对实时变动的蓄水期数据样本的准确预测.为了解决这个问题,在传统的BP神经网络模型的基础上,通过在误差计算和模型参数中分别引入遗忘因子,实时更新数据的影响权重,建立了大坝蓄水期资料分析的时变分析模型.最后使用传统的BP神经网络模型和改进的BP神经网络模型进行实例分析,结果表明后者比前者在径向位移的预测上精度提高1mm以上,改进的BP神经网络模型更加适用于大坝蓄水期监测资料分析与预测.     

基于PSO-DBSCAN的随机子空间模态参数自动识别

拱坝的模态识别是大坝健康监测中的重要一环，模态参数识别的准确度对大坝的性能评价有重要意义.首先利用随机子空间法识别模态参数，针对该方法需要人工辨识稳定图中真实模态的不足，引入密度聚类算法（DBSCAN）对模态结果进行去噪和拾取，并利用粒子群算法改进DBSCAN算法，实现DBSCAN超参数的自动调整，提高识别效率，为DBSCAN超参数的选择提供参考.将该方法应用于一混凝土拱坝数值模型中，并分析了不同采样数据长度对识别结果的影响和该方法的抗噪性.结果表明：合理选择采样时长，能够得到更完整的模态信息，本研究提出的方法能够有效实现模态参数的自动识别并有较高的精度和抗噪性，可以为大坝的安全分析提供参考.     

云模型在大坝裂缝宽度安全监控指标拟定中应用

混凝土坝坝体裂缝安全监测在大坝安全监控中具有十分重要的地位.传统基于原始监测数据的指标拟定方法如典型小概率法、置信区间法等具有自身的局限性,采用基于概率论与数理统计理论与模糊集合理论交叉融合基础上形成的云模型拟定大坝裂缝宽度安全监控指标,在拟定安全监控指标的同时,也计算出了其代表大坝出现险情的确定度,实现定量-定性-定量的相互转换,可更好地指导工程实践.     

大坝安全监测的ARIMA-BP组合预测模型

研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.     

组合模型在大坝变形监测中的应用

鉴于各种传统的大坝变形监测方法必然造成信息量的丢失,有必要寻找一种可以最大化利用各种拟合方法所包含的信息,并最终达到提高高程拟合精度的方法。提出了基于BP神经网络方法与逐步回归方法的组合模型,研究了将该组合模型用于大坝变形监测的精度和可行性,通过具体工程实例验证,详细介绍了该组合模型在大坝变形监测中的应用。     

亚毫米级精度大坝变形自动监测系统(变形监测机器人)的产业化

气候反常,洪灾严重,大坝超高蓄水在所难免,传统的大坝安全监测设备远远不能保证大坝绝对安全的各项要求,很难及时为领导和专家指导抗洪斗争提供决策依据,大坝安全状况令人担扰。大坝外观监测机器人系统能从大坝移动区外对大坝、边坡、船闸的变形与水位变化等多项目,以亚毫米级精度进行大面积、多监测点的连续、自动化监测并具有实时数据处理与可     

基于递阶偏最小二乘回归的数据分析

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征,引进递阶偏最小二乘法,对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析,将建模预测分析方法通过递阶分层处理,可同时实现回归建模和数据结构简化,所建立的大坝安全监控模型精度可通过交叉有效性检验来控制.工程应用实例和模型对比分析研究表明,递阶偏最小二乘回归模型能有效克服由于各类因子变量问的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响,相对于传统回归模型有更好的解释能力,因而具有一定的实用价值.     

基于SDCS-SVM的大坝安全监测模型

惩罚因子c和核函数参数σ的选择对于支持向量机(SVM)回归模型的拟合和预测精度至关重要.为克服SVM模型易陷入局部最优点的缺陷,利用基于最速下降法的混合布谷鸟搜索算法(SDCS)进行SVM参数的优选,提出了SDCS-SVM模型并运用于大坝的安全监测.通过实例验证分析表明,与多元回归模型相比,SDCS-SVM模型的预测精度和泛化能力均有一定程度的提高.     

GM-ARIMA模型在大坝安全监测中的应用

针对大坝安全监测的小样本数据既有一定趋势性又有一定波动性的特点,把灰色模型和时间序列模型结合起来运用在大坝安全监测中.首先利用灰色模型进行拟合和预测,然后对灰色残差序列建立ARIMA模型,对残差进行预测,最后将两者结合起来即可得到预测值.本文以小湾拱坝坝顶某测点的径向位移为例,建立GM-ARIMA进行拟合和预测,并与实测值比较.计算结果表明,与GM模型相比,GM-ARIMA模型的精度高,预测值更接近于实测值.     

大坝安全监测的组合式监测系统

文章阐述了大坝安全监测的重要性,介绍了当前常用的监测方法,研究了如何综合利用各种监测方法,形成组合式监测系统。对大坝进行立体式监测。并探讨了监测数据的分析方法和安全预报方法,为大坝安全监测提供系统性的思路和新的技术视野。     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

基于SVM理论的大坝安全预警模型研究

大坝安全预警模型可以理解为根据特定的映射关系由影响因素域到大坝性态效应量域的计算求解问题.对于多因素综合影响下的大坝系统,这种映射关系一般为非线性的.从机器学习的角度,本文应用粗集理论和SVM理论,研究了对上述关系的拟合.首先,利用粗集理论智能数据分析方法,对大坝安全监测信息进行预处理,抽取关键成分作为映射关系的输入,从而确定映射关系的初始拓扑结构.在此基础上,应用最小二乘支持向量机算法,以训练误差作为优化问题 的约束条件,以置信范围值最小化作为优化目标,从大坝安全原型观测数据中学习归纳出大坝系统运行规律,从而实现对大坝安全预警模型的构建.实例分析表明,该模型能够有效的模拟和预测大坝工作性态与主要影响因素的关系.     

2种改进的PWM方法及其在径流区间估计中的应用

对于小样本的时间序列应用2种改进的PWM方法,分别用修正的Bootstrap方法和随机加权法对样本进行再抽样,然后根据PWM方法进行区间估计,并以潘家口水库径流量为例,对2种改进的PWM方法与传统方法进行比较,改进的PWM方法的精度更高,在相同的置信水平下,置信区间更短.     

山美水库大坝安全监测自动化系统的应用

简要介绍山美水库大坝自动化系统的结构、监测项目、监测系统功能、数据采集系统、资料分析系统.采用合理的数学模型和评判准则,实现实时在线综合分析大坝安全运行性态,对大坝安全隐患进行预警.实现大坝安全数据采集的自动化、数据处理的模型化、分析评判的智能化.     

改进GM(1,1)模型在重力坝位移预测中的应用

针对灰色系统中经典的GM(1,1)模型在大坝位移预测中的缺陷,以某工程为例,提出了一种改进的GM(1,1)模型.实质上是重新生成了序列,即对非负随机振荡序列进行加速指数变换和几何平均生成变换后使用经典的GM(1,1)模型进行建模并预测.对某工程2015年5月29日至6月10日的大坝水平位移进行了预测,并将结果与传统的线性回归模型和经典GM(1,1)模型的预测结果进行了比较,计算结果显示,改进的GM(1,1)模型预测精度较高,该方法取得了较好的效果.