基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

边坡变形的GPS-ANN综合分析方法

基于边坡变形破坏的演化规律,通过对GPS变形监测数据的分析,评价了边坡的稳定现状;构建了基于GPS监测数据的位移-时间神经网络识别模型,并对未来某段时间内边坡的变形趋势进行预测;利用Matlab神经网络工具箱,实现了基于GPS监测的神经网络位移预测模型;通过实例研究,对基于GPS监测数据的边坡变形ANN预测结果进行了分析。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

混沌序列PSO-RBFNN耦合模型在滑坡监测中的应用-杨虎

滑坡位移系统的发展演化受到多种不确定性因素的影响,可能存在非线性特征。而同时包含了确定性和非确定性分析的混沌理论,能有效阐释滑坡位移序列的复杂的非线性过程。因此本文首先对滑坡位移序列进行混沌分析,揭示其内在演化机理;在相空间重构的基础上,再采用拟合和泛化能力较好的径向基网络（RBFNN）对其位移值进行实时动态预测,针对RBF网络存在参数选取困难的问题,运用粒子群算法（PSO）对RBF网络的参数进行优选。提出了基于混沌理论的PSO-RBFNN滑坡位移预测模型。经过实例验证,并与粒子群优化的BP神经网络（PSO-BP）和单独RBF网络进行对比,表明滑坡位移序列确实存在混沌特性且PSO-RBFNN模型预测精度更高、效果更好。     

船舶电力负荷预测混沌时间序列分析法

为提高船舶电力系统安全稳定性,提出对船舶电力负荷时间序列进行预测.首先分析船舶电力负荷是否为混沌时间序列,利用相空间重构对船舶电力负荷时间序列的最大Lyapunov指数进行了定量计算,由计算结果发现船舶电力负荷具有混沌特性.在此基础上,提出了船舶电力负荷预测模型,该模型将混沌局域预测与灰关联相结合,并将相点间的关联性大小经过加权的方式作用于船舶电力负荷预测模型.实际船舶电力系统的计算分析表明,灰关联加权局域预测模型具有较高的预测精度,是一种有效的用于船舶电力负荷混沌时间序列的预测模型.     

瓦斯浓度预测的混沌时序RBF神经网络模型

为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表明,相对误差为0~3%,均方差为0.005 6,预测效果良好。实例验证该预测模型切实可行。     

ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较

边坡土体深层水平位移预测是边坡变形监测的重要内容,对预防边坡安全事故有重要指导意义。典型的两种时间序列预测方法:ARIMA和Holt-Winters,适合预测边坡土体深层水平位移这类是既有随机性增长(或降低)又有时变性波动的非平稳时间序列。选取了648个土体深层水平位移历史数据作为实证分析的原序列,使用ARIMA模型和Holt-Winters方法对其作出了预测,并比较分析预测结果。结果表明:两种方法的短期预测效果都很好,各具特点。     

基于最大Lyapunov指数的高边坡安全监控优化模型

高边坡受爆破、地震等强外界作用时,位移监测值会出现明显跳跃.有效辨识测值突变位置,消除或削弱位移突变对测值序列整体数值特征的影响,是提高高边坡位移监控模型拟合和预测精度的关键问题之一.基于高边坡系统演化过程中的非线性动力学特性,组合应用相空间重构、最大Lyapunov指数、云模型等数值分析手段,研究了高边坡位移突变辨识等的实现方法,在对高边坡位移与影响因素相关分析的基础上,探讨了考虑动力学结构突变影响的位移预测模型构建原理与算法.该模型重点依据的是最近一次位移突变后的监测资料,考虑的是突变后形成的相对稳定的高边坡动力系统特性,因而可以有效提高监控模型的拟合和预测精度.     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。     

露天矿边坡移动的动态预报

本文根据监测及数据处理理论,讨论了边坡移动的统计判别方法。利用动态观测系统理论,建立了相应的动态预报模型和动态自适应预报模型。根据所得到的位移场和速度场,讨论了边坡破坏模式的判别方法。     

空间自回归模型在水库边坡位移预测中的应用

针对传统位移监测很少考虑不同测点之间相互作用的问题,基于经济学领域空间计量学基本理论,研究了空间自回归模型在边坡位移预测中的应用。以某工程高边坡外观位移数据为例,对边坡的位移状况进行预测,并与传统的自回归积分滑动平均模型相比较。结果表明:(a)在空间自相关系数较为显著的条件下,运用空间自回归模型可以较为精确地预测边坡变形状况,且优于传统模型;(b)空间自回归模型相较于传统模型参数更加简洁、考虑的影响因素更全面,可以同时对空间所有测点位移进行估计。     

边坡变形破坏预测的混沌与分形研究

运用非线性科学理论和方法,对边坡变形破坏预测,方法进行了研究得出了反映边特性的关联维数Ｄ２和Ｋｏｍｍｏｇｏｒｏｖ熵Ｋ２的计算公式。实列分析表明,滑坡变开失稳过程具有混沌和分维特生,可以用分形理论来研究滑坡预测问题。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...