基于ARIMA模型的滑坡位移预测

利用斜坡累积变形—时间曲线的建模分析,可以获知当前滑坡的变形发育阶段、预测滑坡未来发展趋势,是滑坡灾害预警预报的基础.滑坡累积位移是关于时间的变量,往往具有非平稳性,通过差分得到平稳的时间序列过程,建立差分自回归移动平均模型(ARIMA模型).以三峡库区某滑坡为研究对象,对累积位移采取等时距差值处理后,建立了适用于该滑坡的ARIMA时间序列模型对滑坡累积位移进行分析预测.通过比较2014年1月至5月该斜坡位移的实测值与预测值,得平均预测误差为3.2%,结果表明,所建立模型能满足预测要求,计算过程容易实现,在滑坡累积位移短期预测中具有一定的适用性.     

小数据量情境下的滑坡位移非线性变化预测模型

为得到小数据量情境下滑坡位移非线性变化趋势的准确估计,融合广义回归神经网络学习速度快、预测精度高和p GM(1,1)模型减小数据随机性并能增强规律性的建模优势,建立了基于p GM(1,1)模型和广义回归神经网络的滑坡位移组合预测模型.两个工程实例与以往研究结果的对比结果,验证了所建模型可行、有效.     

一种基于改进Transformer的深度伪造检测DCT方法

计算机视觉的快速发展推动了人脸伪造技术的显著进步,深度学习的快速发展也使得人脸伪造变得越来越简单且难以识别。深度伪造的泛滥给国家和社会造成了负面影响。针对现有的深度伪造检测方法存在的准确率低、鲁棒性差等问题,利用可学习的分片方法和通道注意力单元对视觉转换器进行改进,并利用改进后模型进行深度伪造检测。具体而言,将可变形分块模块引入模型的每个阶段(Stage),并将通道注意力和自注意力结合构成混合注意力单元。此方法在两个通用深度人脸提取数据集上达到了0.981和0.989的曲线下面积(AUC),并取得了较好的鲁棒性和泛化性。     

基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型

传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用。为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm, SSA),结合核极限学习机算法(kernel-based extreme learning machine, KELM)算法,对滑坡的位移变化提出一种新的多变量位移预测方法,并与传统的支持向量机(support vector machine, SVM)进行对比,结果显示改进的SSA-KELM耦合滑坡预测模型比SVM模型预测精度更高,对金沙江沿岸地区的滑坡具有良好的位移预测效果。     

基于误差修正EOS-ELM的滑坡位移预测

提出了一种基于误差修正在线贯序超限学习机集成(EOS-ELM)的滑坡位移预测模型.预测过程中对滑坡位移时间序列进行了趋势项和周期项分解,分别考虑了不同的影响因子对滑坡趋势项位移和周期项位移的影响.利用在线贯序超限学习机(OS-ELM)算法分别对趋势项位移和周期项位移建模预测.采用集成预测的思想提高OS-ELM模型的泛化能力,同时为了进一步提高预测精度,提出了一种在线误差修正预测方法.该方法通过对误差序列进行建模预测,修正最终的预测结果.以三峡库区白水河滑坡为例,实验验证了提出方法的有效性.     

位移监测在滑坡评价预测中的应用

变形位移监测可为分析滑坡的结构和成因，评价预测滑坡的稳定性及发展趋势等提供丰富的信息，综合分析位移监测资料及滑坡地质勘察资料，能达到滑坡评价预测的理想效果，实例分析表明，位移监测能准确地确定滑坡的滑面，位移速率及位移方式等的空间差异，可用于分析滑坡体的结构，位移监测资料与人类工程活动，降雨，地下水等因素的相关性分析，可为研究滑坡的成因提供重要信息，将位移监测资料与斜坡变形破坏现象结合起来，能更多准确地判定斜坡的变形阶段，评价和预测滑坡的稳定状况。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

基于注意力机制优化长短期记忆网络的短期电力负荷预测

在电力系统的经济调度中,如何合理利用电力负荷的过去和现在来推测其未来价值,具有非常长远的社会经济价值.短期电力负荷数据具有明显的时间特征,传统的深度模型越来越多地应用于该领域.然而,深度模型可能存在梯度爆炸或梯度消失,为此,提出了一种注意力机制优化长短期记忆网络的短期负荷预测模型.该模型将长短期记忆网络单元中的激活函数改进为加权激活函数组,并加入注意力机制以提高预测精度.     

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。本文提出了一种基于鲸鱼优化卷积神经网络(convolutional neural networks,CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network,BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm,WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入到BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明,本文提出的模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(RMSE)下降了0.0305mm。     

堆积层滑坡垂直位移方向率的数值模拟研究

以长江三峡库区巴东县境内的黄腊石滑坡工程实例为背景，运用大型有限元软件FLAC3D进行数值模拟，引入能反映滑坡位移方向改变的特征参数-滑坡垂直位移方向率作为滑坡稳定状态的评价参数，研究在边坡稳定演化过程中垂直位移方向率时空变化特征，发现了滑坡垂直位移方向率由稳定时的恒定值到失稳时的突然增大或减小的突变规律，得出边坡垂直位移方向率可以作为边坡稳定状态的预测判据。     

基于Transformer结构的多目标追踪算法研究综述

Transformer是一种基于编码器-解码器、完全使用自注意力机制的深度神经网络结构,目前已经成功应用于多目标追踪,性能得到大幅提升。本文首先分析了Transformer网络整体结构,归纳Transformer结构具有的优势。然后根据查询方式将基于Transformer结构的多目标追踪方法分为：基于稀疏查询的方法和基于密集查询的方法,对相关模型分析总结。最后介绍常用数据集,对比分析模型性能,指出基于Transformer结构的多目标追踪面临的挑战与未来研究方向。     

基于Transformer神经网络模型的网络入侵检测方法

网络入侵检测一直以来都是网络安全中亟待解决的关键任务之一,传统网络入侵检测方法主要通过提取多维特征,采用机器学习方法构建检测模型,大多忽略了入侵行为的时间相关性.通过提取网络入侵行为的时序特征,设计基于降维特征的多头自注意力机制Transformer网络模型,以解决传统串行化时序神经网络模型不易收敛且时间开销较大的问题,通过选取最优的损失函数和训练参数进行并行化训练,实现网络入侵行为检测.实验结果表明,基于Transformer网络模型的网络入侵检测方法在多个数据集上均获得了99％以上的精度和检出率.     

基于长短时记忆与多影响因子的滑坡位移动态预测

针对传统滑坡位移预测模型存在对历史数据遗忘的问题,提出了一种基于长短时记忆（LSTM）网络的滑坡位移动态预测模型。首先,将滑坡累计位移分解为趋势项位移与波动项位移,利用多项式拟合预测趋势项位移;然后,通过灰色关联度筛选外界诱发因子并运用LSTM模型预测波动项位移;最后,叠加周期项位移与波动项位移,得到累计位移。以新滩滑坡为例,并与RNN模型以及传统静态神经网络模型BP、ELM进行对比分析,采用平均百分比误差（MAPE）,均方根误差（RMSE）,拟合优度（R2）分别对其进行评价。应用结果表明：相比于传统静态模型,LSTM与RNN均适用于滑坡位移动态预测;对比结果显示,LSTM模型具有较好的预测精度,MAPE与RMSE值分别为1.026%、0.327 mm,拟合优度R2为0.978。     

基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

基于Transformer改进的两分支行人重识别算法

针对基于卷积神经网络的行人重识别算法全局信息建模不足的问题,分析了卷积操作的局限性,提出一种基于Transformer改进的全局-局部两分支行人重识别算法.首先利用相对位置编码改进多头自注意力机制,并将其嵌入到Resnet50骨干网络中.之后在全局分支中对图像进行空间几何划分并利用Transformer的全局感受野增强抽象特征的提取能力;在局部分支中对Layer＿3输出进行降维监督,利用多尺度池化获得更丰富的局部特征.实验结果表明,该算法在公开数据集Market-1501和DukeMTMC-reID上的mAP/Rank-1分别达到了93.45%/95.61%和88.79%/90.35%,相对于单纯基于卷积神经网络的算法,本文算法达到更高的精度.     

滑坡位移曲线模糊相似优选

在考虑岩土工程的随机性和模糊性的基础上．将模糊优选理论应用于滑坡位移曲线模型的选取,提出了滑坡位移曲线的模糊相似优选方法．选取若干典型滑坡位移模型作为参选曲线,利用实测数据对所选模型进行拟合解算,求得各模型参数;然后选取若干特征点构成参选曲线指标特征值向量．取相应的观测值作为标准相似曲线的指标特征值向量,求出参选曲线与实测曲线相似的相对隶属度向量,并选其中相对隶属度最大的参选曲线模型为最佳的边坡位移曲线模型．对参选曲线指标相对隶属度和指标权重的确定提出了新的见解,并给出了相应的计算公式．     

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。本文采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出了一种基于卷积神经网络与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。本文使用了23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较,结果表明该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。     

基于时间序列分析的滑坡位移预测-以尖山营古滑坡复活为例

为了深入研究滑坡位移的特点,以尖山营古滑坡复活为例,基于时间序列加法模型,结合尖山营古滑坡的复活背景,将古滑坡位移分解为趋势项与周期项。对趋势项位移使用等维新息灰色（1,1）（GM（1,1））模型进行分析,并提取周期项位移,建立一阶自回归（A R）模型对周期项进行预测。将两者预测结果相加,即可得到古滑坡预测总位移。结果表明：预测与实测值误差较小,模型精度较高,能够较好的描述尖山营古滑坡的位移特征,可用于古滑坡后续的监测预报预警中,具有一定的理论研究与工程价值。