遗传算法在建立大坝变形监控模型中的应用

在以逐步回归法初步建立回归模型的基础上，用改进的遗传算法对模型的回归系数进行重新评估，并建立新的大坝安全监控模型。以李家峡拱坝作为工程实例，对大坝实测变形资料进行了计算分析，证明此法的可行性。     

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.     

基于粗集推理的大坝安全监测预报模型研究

针对传统大坝安全监测预报模型存在的受环境量相关性影响较大和网络训练时间长、易收敛到局部最优点等缺点,通过对原始监测信息的粗糙集预处理提取主要影响因素和决策规则集,并通过对规则集的不确定性推理建立了大坝监测的粗集预报模型,与传统方法相比,粗集预报模型不依赖于具体的数学模型,所得到的预报值是一定可信度下的区间值,并且预测值区间与实测值区间基本一致．     

大坝变形监测的BP网络模型与预报研究

建立有效实用的大坝安全监测模型,对于馆控大坝运行意义重大。针对目前国内外常用统计模型、确定性模型等的不足,提出将基于误差逆传播算法的BP神经网络模型用于大坝变形监测数据的拟合分析及其预测预报研究,最后以福建水口混凝土重力坝变形监测为例,对坝顶垂直位移实测值建立了BP网络模型,并将模型用于坝顶垂直位移预报,结果表明,BP网络模型的拟合和预报精度明显优于相应的统计模型。     

遗传算法的双线性模型参数辨识

本文以遗传算法为基础 ,提出了一种辨识双线性离散动态系统模型参数的方法。该方法能够有效地克服噪声的污染 ,获得双线性系统参数的无偏估计值。应用该算法对双线性系统进行仿真表明 ,该方法辨识精度高 ,稳定性好     

基于统计模型与混沌理论的大坝安全监测混合预测模型

为解决传统统计模型在大坝安全监测领域应用中由于缺少对残差的分析而存在拟合精度高但预测效果欠佳的问题，在传统统计模型中增加残差预测项，并应用混沌理论对残差预测项的计算方法进行探讨，从而提出了一种新的混合预测模型，同时结合实测数据对此模型进行了检验。结果表明，新模型可提高预测精度并具有一定的实用性。     

逐一混合遗传算法在大坝变形预报中应用

建立了大坝变形预报的逐一混合遗传模型,并将其与整体遗传模型、逐一Levenberg-Marquardt (LM)模型、整体LM模型进行了比较. 工程实例表明,在建模样本相同,预报因子相同,且结构参数不变的条件下,逐一混合遗传模型和整体遗传模型的预报精度分别高于逐一LM模型和整体LM模型,且预报结果稳定;逐一混合遗传模型和逐一LM模型的预报精度分别高于整体遗传模型和整体LM模型;随着样本的积累,逐一混合遗传模型的预报精度不断提高, 并具有实时性的优点, 可以准确、有效地应用于大坝变形监测量的实时预报.     

大坝安全监测要素分析

分析了影响大坝安全的因素,介绍了大坝安全监测的目的、要求和方法,阐述了针对这些影响因素的各阶段的监测内容.     

遗传算法在油田产量预报中的应用

油田开发方案设计中,产重预报正确与否与油田开发成败息息相关,它决定了油田生产规模,投资决策等。正确预测油田产量对改善开发生产效果和提高措施作业效益有重要作用,油田产量预报方法很多,如递减曲线法、神经网络法、Poisson分布法等。各种油气田产量预报模型的应用关键在于参数估计,常规参数估计方法为试凑法和最小二乘法,工作量大,可靠性差,所以引入了一种新型遗传算法求取参数最优估计值,并通过遗传算法在Г模型中的应用实例说明了该方法在油气产量预报中的可行性。     

大坝实施安全监测的方法探析

大坝安全监测是人们了解大坝运行性态和安全状况的有效手段。随着科学技术的发展、管理水平的提高及人们观念的转变,大坝安全监测的方法也随之改变。本文探讨了影响大坝安全的因素,并提出了相应的安全监测手段。     

动态灰色预测模型在大坝变形监测及预报中的应用研究

详细地讨论了灰色预测模型GM（1，1）和动态灰色预测模型的基本内容及建模过程，并成功地将等维新息和等维灰数递补两种动态灰色预测模型应用于大坝变形的预测预报。实践证明，等维新息动态预测由于实时地加入了新的信息，提高了灰区间的白色度，预测效果最好；等维灰数递补动态预测利用了序列建模的结果，淡化了灰平面的灰度，使预测结果有所改善；GM（1，1）模型由于是静态地反映系统的变化趋势，预测的精度最低。因此，动态灰色预测模型在大坝变形的预测预报中比静态预测模型具有更高的应用价值。     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

基于时间序列模型的职工平均工资预测

以时间序列模型为基础,对未来中国经济发展和工资增长的形势进行分析,经过合理的假设和筛选,确立工资的6个影响因素,继而引入国家效应、企业效应和个人效应3个影响因子。运用SPSS的相关性分析,对影响山东省职工年平均工资的因素进行分析,分别研究了国家效应、企业效应和个人效应与该地区年平均工资的关系,进一步运用SPSS,综合分析这3个因素对该地区平均工资的影响。最后,通过综合国家效应、企业效应和个人效应这3个因素建立的时间序列自回归模型,得到2011—2035年山东省职工年平均工资的预测值。通过时间序列的自回归模型预测值与实际值的Sequence Plot曲线,证实模拟效果较好,预测值符合模拟趋势。     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

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。     

对基于聚类和遗传算法的时间序列分割算法的改进

Vincent S.Tseng 等人提出的基于聚类和遗传算法的时间序列分割算法中,对于适应值函数的定义存在缺陷,本文对此进行了改进:用归一化处理消除子序列幅度对距离计算的影响,并引入类间距使分割结果的类间差异(模式之间的差异)变得更明显。对比算法改进前后的实验结果可以看出,这两点措施使适应值函数的精确性得到了提高,更有利于识别出子序列的模式。     

土石坝安全监测软件系统设计与实现

述了在当前科学技术条件下,土石坝安全监测系统的发展趋势,确定了土石坝安全监测软件系统开发的基本原则,并对其进行了阐述和论证．设计了一种新的土石坝安全监测软件系统结构——总线型软件系统结构,并列出了软件开发中的关键技术．利用此软件系统结构和关键技术开发了一套土石坝安全监测系统。通过在工程实践中的应用发现总线型软件系统结构稳定性好,实用性和先进性并重,体现了当今土石坝安全监测软件的开发要求和趋势．     

USDBL（1，0，1）模型参数矩估计

本文讨论了USDBL（1,0,1）模型的平稳条件,在模型满足平稳条件的情形下研究了该模型的二阶中心矩所满足的差分方程、并由此得出了模型参数的估计公式．最后研究了该模型矩估计的渐进性质．     

基于时间序列的区域物流网络演化模型的实证分析

为探究区域物流网络产生发展过程的内在规律,首先分析了区域物流网络结构的演化机理、过程和阶段.然后,借鉴评估产业集中度的赫芬达尔指数和区域分布非均衡系数两个参数,构建区域物流网络的时间序列演化模型,以此为工具分析区域物流网络内物流量在各节点分布的离散度和均衡性,从而揭示了物流网络演变及物流枢纽产生的过程.最后,以湖北省为例分析了其演化过程和状态,结果表明武汉物流区域中轴辐式物流网络结构明显,而荆宜和襄十两个物流区域处于低水平的均衡状态.