检索结果-维普期刊中文期刊服务平台

基于MIV-改进RBF神经网络的大坝变形监测模型被引量：4: 1; 作者宁昕扬刘晓青《三峡大学学报（自然科学版）》 CAS 2016年第3期1-5,共5页; 针对常规径向基函数(RBF)神经网络模型无法选择显著预报因子和易陷入局部最优解的问题,建立一种融合平均影响值(MIV)、改进果蝇算法(FOA)和RBF神经网络的大坝变形监测模型.通过引入MIV对水压、温度、时效三类预报因子进行筛选,并利用改... 展开更多; 关键词 MIV算法变量筛选改进RBF神经网络大坝变形监测模型; 在线阅读下载PDF 职称材料

基于改进PSO-SVM-MC模型的大坝变形监测模型被引量：7: 2; 作者杜传阳郑东健 +3 位作者张毅孔庆梅张秀山李媛《水电能源科学》北大核心 2015年第2期74-77,88,共5页; 分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和... 展开更多; 关键词大坝变形监测模型改进的粒子群优化算法支持向量机马尔科夫链; 在线阅读下载PDF 职称材料

基于动态SVM-MC的大坝变形监测模型及应用被引量：5: 3; 作者杜传阳郑东健 +2 位作者张毅李媛张秀山《水电能源科学》北大核心 2015年第1期71-74,共4页; 为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,... 展开更多; 关键词大坝变形监测模型支持向量机马尔科夫链动态模型; 在线阅读下载PDF 职称材料

基于SVM理论的大坝变形监测模型改进方法研究被引量：5: 4; 作者杜传阳郑东健《三峡大学学报（自然科学版）》 CAS 2015年第2期10-14,共5页; 分析与处理大坝变形监测资料对于大坝安全运行意义重大.支持向量机(SVM)能够有效解决高维数的非线性问题,并且具有良好的泛化能力.以SVM理论为基础,建立大坝变形监测模型,并在此基础上研究其改进方法.改进思路为充分利用马尔科夫链适用... 展开更多; 关键词大坝变形监测模型支持向量机改进的粒子群优化算法马尔科夫链; 在线阅读下载PDF 职称材料

偏最小二乘法与神经网络耦合的大坝监测模型被引量：9: 5; 作者吕蓓蓓杨远斐《人民黄河》 CAS 北大核心 2013年第3期84-85,89,共3页; 针对人工神经网络在大坝变形监测模型应用中所出现的收敛慢和稳定性差等问题,提出了偏最小二乘法与人工神经网络耦合的大坝变形监测模型,提高了神经网络的学习速率和稳定性。首先运用偏最小二乘法对多维自变量进行主成分提取和降维处理... 展开更多; 关键词大坝变形监测模型偏最小二乘法人工神经网络; 在线阅读下载PDF 职称材料

逐步RVM-Markov模型在大坝变形预测中的应用被引量：4: 6; 作者唐琪包腾飞 +1 位作者杜传阳滕雯雯《三峡大学学报（自然科学版）》 CAS 2015年第6期47-51,共5页; 相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实... 展开更多; 关键词大坝变形监测模型相关向量机 MARKOV链; 在线阅读下载PDF 职称材料

基于改进Db1GEGA-SVM的大坝变形预警模型: 7; 作者王慧包腾飞 +1 位作者杨艳慧顾微《水电能源科学》北大核心 2015年第5期52-54,72,共4页; 支持向量机(SVM)能有效解决高维数非线性问题,且具有很好的泛化能力,其关键在于惩罚因子及核参数的选取;遗传算法具有良好的全局搜索能力与潜在的并行性,但局部搜索能力差,且易陷入早熟收敛。为提高大坝变形预警模型精度和泛化能力,提... 展开更多; 关键词大坝变形监测模型支持向量机改进的双切点交叉遗传算法泛化能力预测精度; 在线阅读下载PDF 职称材料

BP网络监测模型的Matlab＆Delphi混合编程被引量：5: 8; 作者蒋裕丰何鲜峰金永强《水力发电》北大核心 2008年第1期88-91,共4页; 结合Matlab和Delphi各自的优点,利用M文件的传输技术将Delphi和Matlab连接起来,开发出界面友好,功能强大的BP神经网络应用系统,并利用该系统建立了大坝变形监测模型。模型的实际应用表明,该系统具有建模方便、快捷、拟合预测精度较高的... 展开更多; 关键词 BP神经网络混合编程大坝变形监测模型; 在线阅读下载PDF 职称材料

题名基于MIV-改进RBF神经网络的大坝变形监测模型被引量：4: 1; 作者宁昕扬刘晓青; 机构河海大学水利水电学院; 出处《三峡大学学报（自然科学版）》 CAS 2016年第3期1-5,共5页; 基金国家自然科学基金(51279050) 土石坝长效安全运行重大关键技术研究(201501033); 文摘针对常规径向基函数(RBF)神经网络模型无法选择显著预报因子和易陷入局部最优解的问题,建立一种融合平均影响值(MIV)、改进果蝇算法(FOA)和RBF神经网络的大坝变形监测模型.通过引入MIV对水压、温度、时效三类预报因子进行筛选,并利用改进FOA算法获得RBF神经网络模型中最佳的spread值,以提高模型的稳定性和预报精度.为验证模型的有效性,以某混凝土重力坝位移监测数据为例,分别建立多元线性回归模型、常规RBF模型、MIV-RBF模型和MIV-改进RBF模型.研究结果表明MIV-改进RBF神经网络大坝变形监测模型预测稳定、精度高,预报效果好.; 关键词 MIV算法变量筛选改进RBF神经网络大坝变形监测模型; Keywords mean impact value（MIV） variable selection improved radial basis function（RBF）neural network deformation monitoring model of dam; 分类号 TV698 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于改进PSO-SVM-MC模型的大坝变形监测模型被引量：7: 2; 作者杜传阳郑东健张毅孔庆梅张秀山李媛; 机构河海大学水文水资源与水利工程科学国家重点实验室黄河上游水电开发有限责任公司青海黄河水电公司大坝管理中心黄河上游水电开发有限责任公司李家峡发电分公司; 出处《水电能源科学》北大核心 2015年第2期74-77,88,共5页; 基金国家自然科学基金重点项目(41323001 51139001) +7 种基金 20120094130003 20130094110010) NCET-10-0359) 201301061) 江苏省杰出青年基金项目(BK2012036); 文摘分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。; 关键词大坝变形监测模型改进的粒子群优化算法支持向量机马尔科夫链; Keywords monitoring model for dam deformation improved PSO SVM Markov chain; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于动态SVM-MC的大坝变形监测模型及应用被引量：5: 3; 作者杜传阳郑东健张毅李媛张秀山; 机构河海大学水文水资源与水利工程科学国家重点实验室黄河上游水电开发有限责任公司黄河上游水电开发有限责任公司李家峡发电分公司青海黄河水电公司大坝管理中心; 出处《水电能源科学》北大核心 2015年第1期71-74,共4页; 基金国家自然科学基金重点项目(41323001 51139001) +11 种基金国家自然科学基金项目(51379068 51179066 51279052 51209077) 20120094130003 20130094110010) BRA2011145) 江苏省"六大人才高峰"项目(JY-008); 文摘为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,并通过实例应用做了比较。结果表明,动态SVM-MC模型提高了预测的精度和泛化能力,可用于复杂大坝的安全建模。; 关键词大坝变形监测模型支持向量机马尔科夫链动态模型; Keywords dam deformation monitoring model SVM Markov chain dynamic model; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于SVM理论的大坝变形监测模型改进方法研究被引量：5: 4; 作者杜传阳郑东健; 机构河海大学水文水资源与水利工程科学国家重点实验室河海大学水利水电学院; 出处《三峡大学学报（自然科学版）》 CAS 2015年第2期10-14,共5页; 文摘分析与处理大坝变形监测资料对于大坝安全运行意义重大.支持向量机(SVM)能够有效解决高维数的非线性问题,并且具有良好的泛化能力.以SVM理论为基础,建立大坝变形监测模型,并在此基础上研究其改进方法.改进思路为充分利用马尔科夫链适用于原始监测数据波动大的优势,对其残差进行处理;同时考虑到核参数和惩罚因子的选择对SVM模型有很大影响,采用改进粒子群算法对其参数进行寻优.通过实例分析比较各种改进方法,结果表明,提出的对SVM模型的改进方法可以提高预测的泛化能力及精度.; 关键词大坝变形监测模型支持向量机改进的粒子群优化算法马尔科夫链; Keywords monitoring model for dam deformation support vector machine（SVM） improved method of PSO Markov chain; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名偏最小二乘法与神经网络耦合的大坝监测模型被引量：9: 5; 作者吕蓓蓓杨远斐; 机构河海大学水利水电学院河海大学水资源高效利用与工程安全国家工程研究中心; 出处《人民黄河》 CAS 北大核心 2013年第3期84-85,89,共3页; 基金国家自然科学基金资助项目(50909041 51079046 +4 种基金 51079086 51139001) 2009586912 2010585212); 文摘针对人工神经网络在大坝变形监测模型应用中所出现的收敛慢和稳定性差等问题,提出了偏最小二乘法与人工神经网络耦合的大坝变形监测模型,提高了神经网络的学习速率和稳定性。首先运用偏最小二乘法对多维自变量进行主成分提取和降维处理,解决了变量之间的多重相关问题,而后把降维的数据输入神经网络进行训练。对比实例应用结果表明,偏最小二乘神经网络耦合模型的拟合速度和精度都高于传统的神经网络。; 关键词大坝变形监测模型偏最小二乘法人工神经网络; Keywords dam monitoring model partial least square regression artificial neural network; 分类号 TV698.2 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名逐步RVM-Markov模型在大坝变形预测中的应用被引量：4: 6; 作者唐琪包腾飞杜传阳滕雯雯; 机构河海大学水文水资源与水利工程科学国家重点实验室河海大学水资源高效利用与工程安全国家工程研究中心河海大学水利水电学院威海市水利局; 出处《三峡大学学报（自然科学版）》 CAS 2015年第6期47-51,共5页; 基金国家自然科学基金资助项目(51379068 51139001) +1 种基金高等学校博士学科点专项科研基金(20120094110005); 文摘相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实际应用中,RVM模型的泛化能力与SVM相当,向量数量却远小于SVM模型,计算过程得到简化,Mrakov链对残差进行修正后又提高了预测精度.将上述组合模型用于大坝变形实例分析,获得了较好的回归预测效果.; 关键词大坝变形监测模型相关向量机 MARKOV链; Keywords predicting model for dam deformation relevance vector machine（RVM） Markov chain; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于改进Db1GEGA-SVM的大坝变形预警模型: 7; 作者王慧包腾飞杨艳慧顾微; 机构河海大学水利水电学院河海大学水文水资源与水利工程科学国家重点实验室江苏省泰州引江河管理处; 出处《水电能源科学》北大核心 2015年第5期52-54,72,共4页; 基金国家自然科学基金项目(51379068 51139001) +2 种基金中央高校基本科研业务费项目(2012B07214); 文摘支持向量机(SVM)能有效解决高维数非线性问题,且具有很好的泛化能力,其关键在于惩罚因子及核参数的选取;遗传算法具有良好的全局搜索能力与潜在的并行性,但局部搜索能力差,且易陷入早熟收敛。为提高大坝变形预警模型精度和泛化能力,提出利用改进的双切点交叉遗传算法(Db1GEGA)对SVM模型进行参数寻优,构建了基于改进Db1GEGA-SVM的大坝变形预警模型,并通过实例应用做了比较。结果表明,基于改进Db1GEGA-SVM的大坝变形预警模型具有更强的泛化能力和更高的预测精度。; 关键词大坝变形监测模型支持向量机改进的双切点交叉遗传算法泛化能力预测精度; Keywords dam deformation monitoring model SVM improved DblGEGA algorithm generalization ability pre- diction accuracy; 分类号 TV698.1 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名BP网络监测模型的Matlab＆Delphi混合编程被引量：5: 8; 作者蒋裕丰何鲜峰金永强; 机构河海大学水利水电工程学院; 出处《水力发电》北大核心 2008年第1期88-91,共4页; 基金国家自然科学基金资助项目(50539010,50539030,50539110,50579010) 973计划课题(2002CB412707) +1 种基金国家支撑计划课题(2006BAC14B03) 江苏省高校研究生科技创新计划(1004-B06015); 文摘结合Matlab和Delphi各自的优点,利用M文件的传输技术将Delphi和Matlab连接起来,开发出界面友好,功能强大的BP神经网络应用系统,并利用该系统建立了大坝变形监测模型。模型的实际应用表明,该系统具有建模方便、快捷、拟合预测精度较高的优点。; 关键词 BP神经网络混合编程大坝变形监测模型; Keywords BP neural network mixed programming monitoring model of dam＇s transmutation; 分类号 TP314 [自动化与计算机技术—计算机软件与理论] TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于MIV-改进RBF神经网络的大坝变形监测模型	宁昕扬刘晓青	《三峡大学学报（自然科学版）》 CAS	2016	4	在线阅读下载PDF 职称材料
2	基于改进PSO-SVM-MC模型的大坝变形监测模型	杜传阳郑东健张毅孔庆梅张秀山李媛	《水电能源科学》北大核心	2015	7	在线阅读下载PDF 职称材料
3	基于动态SVM-MC的大坝变形监测模型及应用	杜传阳郑东健张毅李媛张秀山	《水电能源科学》北大核心	2015	5	在线阅读下载PDF 职称材料
4	基于SVM理论的大坝变形监测模型改进方法研究	杜传阳郑东健	《三峡大学学报（自然科学版）》 CAS	2015	5	在线阅读下载PDF 职称材料
5	偏最小二乘法与神经网络耦合的大坝监测模型	吕蓓蓓杨远斐	《人民黄河》 CAS 北大核心	2013	9	在线阅读下载PDF 职称材料
6	逐步RVM-Markov模型在大坝变形预测中的应用	唐琪包腾飞杜传阳滕雯雯	《三峡大学学报（自然科学版）》 CAS	2015	4	在线阅读下载PDF 职称材料
7	基于改进Db1GEGA-SVM的大坝变形预警模型	王慧包腾飞杨艳慧顾微	《水电能源科学》北大核心	2015	0	在线阅读下载PDF 职称材料
8	BP网络监测模型的Matlab＆Delphi混合编程	蒋裕丰何鲜峰金永强	《水力发电》北大核心	2008	5	在线阅读下载PDF 职称材料