基于动力系统自记忆原理的软土地基沉降预测

 基于软土地基沉降的过程是一个非线性的动力系统演变过程,为较为准确地对软土地基的沉降量进行预测,将“动力系统自记忆原理”引入软土地基沉降预测中.采用双向差分原理反导出软土地基沉降的非线性常微分方程,将其作为微分动力核,建立软土地基沉降自记忆模型,并将该模型用于汕汾高速公路软土地基沉降的预测.研究结果表明,将自记忆原理引入到软土地基沉降的预测中,提高了预测的精度和适用范围,为软土地基沉降的预测提供了一种新的方法.     

地下水埋深动态预测的DAMSM模型

运用动态数据反演建模方法和自记忆性方程，建立了地下水埋深动态预测的DAMSM模型。该模型将动力学计算与用历史数据估计参数相结合，预测时无需分析影响地下水埋深动态的各种因素，只需要有一定长度的地下水埋深动态观测序列资料，避免了众多数据的收集整理。实例预测表明，该模型具有较高的拟合精度和预测准确性。     

构筑物动态变形行为的自组织进化识别

建筑物沉降变形行为是一个复杂的非线性动力学演化过程,针对这一过程,引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的构筑物变形动态预测模型进化识别算法·该方法将复杂的模型结构与参数混杂的搜索空间简化为两个相对简单的模型结构进化过程和模型参数进化过程,分别由遗传规划和遗传算法完成·设计了模型结构和参数的共同进化方案,实现对非线性动力学演化模型结构和参数的全局最优搜索·实例分析结果表明该方法具有较好的预测精度和推广预测能力,并且显示出较高的自组织能力,为构筑物变形预测提供了一个有效的分析工具·     

基于灰色自记忆原理的煤矿瓦斯浓度预测

 井下瓦斯浓度预测是预防煤矿瓦斯事故的重要环节和基础工作。以预测煤矿瓦斯浓度为研究目的,采用灰色系统理论与自记忆原理相结合的方法,将灰色系统理论导出的煤矿瓦斯浓度变化微分方程代入由自记忆原理推导的离散形式自记忆方程,利用最小二乘法求得记忆系数,建立了煤矿瓦斯浓度预测的灰色自记忆模型。结合李雅庄煤矿304综采面瓦斯浓度实测值,由试算法确定最优回溯阶p=7,建立瓦斯浓度预测灰色自记忆模型,并与G(1,1)模型进行对比分析。研究表明,灰色自记忆模型综合了灰色系统理论和自记忆原理的优越性,能够准确拟合与预测出井下瓦斯浓度变化的总体趋势与波动细节,有较好的工程适应性和较高的预测精度,为井下瓦斯浓度预测提供新的途径。     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM, long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a, LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error, RMSE)和绝对误差平均值(mean absolute error, MAE)最小值分别为2.343 mm和2.010 mm,...     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

漂浮体系斜拉桥黏滞阻尼器参数的简化计算

根据漂浮体系斜拉桥的动力响应特点以及近断层速度脉冲型地震动特性,基于结构动力学基本理论,提出了考虑附加黏滞阻尼器的漂浮体系斜拉桥三质点简化动力模型.利用等效阻尼比概念以及能量消耗等效原理,推导得到了速度脉冲型地震动作用下漂浮体系斜拉桥线性及非线性黏滞阻尼器阻尼系数的简化计算公式.最后,通过一座漂浮体系斜拉桥实例,验证了相关公式的正确性.     

遗传算法在建筑物沉降预测中的应用

结合遗传进化算法的全局优化思想和时间序列分析的基本理论,提出了一种新的基于遗传算法的建筑物沉降非线性动力学行为预测模型进化识别算法。设计了模型结构和参数分别进化,共同识别方案,实现对非线性时间序列分析模型结构和参数进行全局最优搜索。实例分析结果表明：该方法具有较好的预测精度和推广预测能力,为高大建筑物沉降预测提供了一个有效的分析工具。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

矿山GPS沉陷与变形监测体系

从矿山沉陷与变形观测体系内涵入手，对以GPS全球卫星定位系统为核心技术构建的矿山沉陷与变形观测体系进行了诠释，阐述了关于矿山GPS沉陷与变形监测体系的一系列核心问题：建网原则及建网方法，监测要求及方法，GPS基线向量解算，变形分析与预报，处置方法，并提出了矿山变形监测网与生产用矿区控制网通用，作业精度标准取高的新观点。     

粗集与支持向量机联合建模及在开采沉陷预计中的应用

地表沉陷与地质采矿因素之间存在复杂的非线性关系,人们通常采用概率积分法、神经网络等研究沉陷的规律性,但预计效果往往不够理想。本文采用粗集及支持向量机技术对其进行研究,首先应用粗集理论进行了岩移影响因素分析,给出了各影响因素的支持度,然后运用支持向量机预测技术构建了支持向量机预测模型。最后用实例进行了预测分析并与传统方法进行了对比,结论表明,本文建立的模型具有网络运行稳定、精度更高的优点。     

自适应动态三次指数平滑法在交通预测中的应用

针对传统三次指数平滑法预测模型中平滑系数固定不变、难以跟踪时间序列随时间变化的因素、无法反应不同时间段历史数据对预测结果的影响等缺点,提出了一种改进的动态三次指数平滑法.该方法通过误差平方、最小原则和地毯式搜索算法来获得动态调整的平滑因子,对波动范围较大且呈非线性变化规律的数据有很强的适应性.将自适应动态三次指数平滑法与SARIMA模型、三次指数平滑法进行对比,由铁路旅客发送量的仿真实例分析结果可知,自适应动态三次指数平滑法能更好地适应时间序列的变化趋势,具有良好的预测精度.     

动态调整GM(1,1)发展系数的预测优化算法

在灰色预测GM(1,1)算法的基础上,针对小样本、穷信息、不确定性和以时间为序列的特征数据,运用限定条件下的随机非线性规划方法、动态调整GM(1,1)算法均质生成数列中的发展系数,构建一套优化预测模型,藉此提高算法的数据预测精度.结果表明:优化算法的预测结果精确度高,在数据预测方面,优于传统的GM(1,1)算法.     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

温特斯模型参数并行求解方法与应用

针对能源生产中压缩空气日产量具有明显周期性和规律变化的特性,提出了一种基于霍尔特-温特斯模型的参数并行计算预测方法。从时间序列分析、指数平滑以及最优平滑系数的并行求解入手,建立了压缩空气日产量预测模型。实验结果表明该预测模型在提高运算速度的同时具有较高预测精度。     

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.     

灰色模型GM(1.1)在高层建筑沉降监测中的应用

介绍了灰色模型系统,并重点论述了灰色模型GM(1.1)在高层建筑的沉降预测中的应用.通过对高层建筑不同周期得到的沉降预测数据与实际数据进行对比分析,成果精度均符合要求,结果表明该模型在高层建筑的沉降监测具有很好的适用性.     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.