期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于遗传算法的Elman神经网络模型在大坝位移预测中的应用 被引量:11
1
作者 刘雄峰 李博 李俊 《水资源与水工程学报》 2014年第3期152-156,共5页
针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网... 针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网络模型在预测大坝变形时具有全局收敛的特点,可以克服Elman神经网络容易陷入局部极小的缺陷。将该模型用于预测某水电站大坝实测变形数据,表明GA-Elman神经网络模型的预测精度高,在大坝位移预测中具备实用性。 展开更多
关键词 大坝位移预测 ELMAN神经网络 遗传算法 GA-Elman模型
在线阅读 下载PDF
偏最小二乘-马尔科夫模型在大坝位移预测中的应用 被引量:6
2
作者 周子东 郑东健 +1 位作者 蒋明 钱程 《三峡大学学报(自然科学版)》 CAS 2015年第3期15-18,共4页
为克服大坝位移预测回归模型中,选取因子的多重相关性对回归方程的影响,同时考虑到位移的波动性对残差的影响,提出一种偏最小二乘-马尔科夫链大坝位移预测模型.偏最小二乘法能够有效解决多重相关性的问题,马尔科夫链具有适应数据波动的... 为克服大坝位移预测回归模型中,选取因子的多重相关性对回归方程的影响,同时考虑到位移的波动性对残差的影响,提出一种偏最小二乘-马尔科夫链大坝位移预测模型.偏最小二乘法能够有效解决多重相关性的问题,马尔科夫链具有适应数据波动的优点,两种方法相结合发挥各自优势,以进一步提高单一偏最小二乘回归的预测能力.工程实例的分析表明,该模型能够有效提高预测精度. 展开更多
关键词 安全监测 大坝位移预测 偏最小二乘法 马尔科夫链
在线阅读 下载PDF
基于深度学习的双阶段大坝变形预测模型 被引量:1
3
作者 唐艳 杨孟 +2 位作者 李斌 郭经红 陈艺征 《中国农村水利水电》 北大核心 2024年第3期225-230,237,共7页
为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和奇异谱分析(Singular Spectrum A... 为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和奇异谱分析(Singular Spectrum Analysis,SSA)的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。 展开更多
关键词 完全集成经验模态分解 卷积神经网络 门控循环单元 大坝位移预测
在线阅读 下载PDF
基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型
4
作者 张波 程雪辰 +2 位作者 罗炜 陈健 王友乐 《水电能源科学》 2025年第8期142-146,共5页
为进一步提高大坝位移预测模型的精度,提出了一种结合梯度提升决策树(GBDT)、卷积神经网络(CNN)、Informer和人工生态系统优化算法(AEO)的混合模型。首先,利用GBDT评估输入特征的重要性,筛选出显著影响大坝位移的重要因子。然后,利用CN... 为进一步提高大坝位移预测模型的精度,提出了一种结合梯度提升决策树(GBDT)、卷积神经网络(CNN)、Informer和人工生态系统优化算法(AEO)的混合模型。首先,利用GBDT评估输入特征的重要性,筛选出显著影响大坝位移的重要因子。然后,利用CNN对输入数据进行深度特征提取,挖掘有效信息;采用Informer模型建立提取特征与坝体位移之间的映射关系。最后,采用AEO算法对模型的超参数进行寻优。实际工程数据验证结果表明,与其他对比模型相比,所提模型具有更好的预测精度和稳定性。 展开更多
关键词 大坝位移预测 梯度提升决策树 卷积神经网络 Informer 人工生态系统优化
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部