检索结果-维普期刊中文期刊服务平台

基于IKOA优化SAGRU的大坝变形预测模型: 1; 作者胡伟泊赵二峰 +1 位作者胡灵芝黎祎《人民长江》北大核心 2025年第6期222-228,共7页; 为充分发掘大坝变形监测数据中的有效信息并提升监控模型的预测精度,提出了基于IKOA优化SAGRU的大坝变形预测模型。首先,在门控循环单元(GRU)中引入自注意力机制,通过计算时间维度特征的贡献率,有效捕捉实测数据中的关键时序特征,提升... 展开更多; 关键词大坝变形监测门控循环单元(GRU) 改进开普勒优化算法(IKOA) 自注意力机制深度学习小湾双曲拱坝; 在线阅读下载PDF 职称材料

大坝变形的双向门控循环单元网络预测模型: 2; 作者姚佳池赵二峰 +1 位作者刘峰宋桂华《水利水运工程学报》北大核心 2025年第4期99-107,共9页; 针对大坝变形序列的噪声信息,一次模态分解难以对其充分挖掘剔除,通过辛几何模态分解和改进的自适应噪声完备集合经验模态分解将变形实测序列解耦为不同频率的模态分量,使用最大信息系数对模态分量和实测序列进行相关性检验,并采用小波... 展开更多; 关键词大坝变形二次模态分解小波阈值去噪注意力机制双向门控循环单元预测模型; 在线阅读下载PDF 职称材料

基于ACNN-VAR的特高拱坝变形深度学习预测模型: 3; 作者钟桥俊赵二峰 +2 位作者胡灵芝刘峰宋桂华《水电能源科学》北大核心 2025年第4期163-167,共5页; 变形是大坝服役性态的直观表现,对其进行分析与预测是科学诊断大坝健康的关键措施。为解析特高拱坝变形性态,利用基于注意力机制优化的卷积神经网络(ACNN)对实测数据进行局部时间特征提取,引入变分自编码器(VAE),将回归器嵌入到VAE构建... 展开更多; 关键词变分自编码器注意力机制深度学习潜在特征向量; 在线阅读下载PDF 职称材料

基于ICA-PSO-CNN的大坝变形预测研究: 4; 作者杨霖傅蜀燕 +4 位作者吴曹东王子轩陈德辉杨石勇欧斌《华北水利水电大学学报(自然科学版)》北大核心 2025年第3期10-16,60,共8页; 为提高大坝变形预测精度,针对传统大坝变形预测中出现的数据维度高、特征值选取困难、参数优化和模型调整较复杂等问题,提出了一种将独立主成分分析(ICA)和粒子群优化下的卷积神经网络(PSO-CNN)相结合的预测模型(ICA-PSO-CNN)。该模型通... 展开更多; 关键词变形预测独立主成分分析粒子群优化卷积神经网络; 在线阅读下载PDF 职称材料

基于EEMD-WOA-SVM的土石坝渗流量预测被引量：3: 5; 作者杨石勇傅蜀燕 +2 位作者赵定柱高兰兰欧斌《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第5期7-12,共6页; 为准确预报土石坝渗流量的变化趋势,针对传统的时间序列模型存在非线性处理能力较差、捕捉序列依赖关系能力不足等问题,建立了基于EEMD-WOA-SVM的土石坝渗流量预测模型.该模型采用集合经验模态(EEMD)有效分解土石坝渗流时间序列,引入鲸... 展开更多; 关键词集合经验模态分解鲸鱼优化算法支持向量机土石坝渗流量预测; 在线阅读下载PDF 职称材料

基于卡尔曼滤波的遗传蚁群混合算法优化改进云模型的渗流监测异常值识别: 6; 作者王奎欧斌 +1 位作者刘振宇傅蜀燕《科学技术与工程》北大核心 2024年第33期14393-14399,共7页; 大坝安全监测序列中广泛分布异常值,对其进行筛选与辨识是判定大坝运行性态的前提。传统的基于回归模型的异常识别方法会对监测数据造成正常值误判或者异常值漏判的情况。针对上述问题,将监测数据序列结合卡尔曼滤波方法去除噪声项,并... 展开更多; 关键词卡尔曼滤波日变化速率遗传蚁群混合算法改进云模型; 在线阅读下载PDF 职称材料

题名基于IKOA优化SAGRU的大坝变形预测模型: 1; 作者胡伟泊赵二峰胡灵芝黎祎; 机构河海大学水利水电学院云南省水利水电工程安全重点实验室; 出处《人民长江》北大核心 2025年第6期222-228,共7页; 基金国家自然科学基金项目(52079046) 云南省水利水电工程安全重点实验室开放课题基金项目(202302AN360003)。; 文摘为充分发掘大坝变形监测数据中的有效信息并提升监控模型的预测精度,提出了基于IKOA优化SAGRU的大坝变形预测模型。首先,在门控循环单元(GRU)中引入自注意力机制,通过计算时间维度特征的贡献率,有效捕捉实测数据中的关键时序特征,提升模型对关键信息的敏感性;然后通过混沌映射初始化、Runge-Kutta位置更新和ESQ强化3种策略对开普勒优化算法(KOA)进行改进,以对耦合自注意力机制的门控循环单元(SAGRU)中的超参数进行自动寻优。应用实例表明:改进开普勒优化算法(IKOA)在寻优速度和精度方面均优于麻雀搜索算法、灰狼优化算法、北方苍鹰优化算法和传统KOA,模型的RMSE相比GRU、LSTM和XGBoost模型分别降低了48.45%,54.56%和58.14%,尤其在实测位移变化的关键拐点和峰值处,优化后的模型展现了更好的拟合效果,表明该模型能够全面挖掘大坝变形序列中的时序特征,解决了GRU记忆容量有限,以及传统优化算法收敛速度慢且易陷入局部最优解的问题,显著提高了大坝变形预测模型的准确性。; 关键词大坝变形监测门控循环单元(GRU) 改进开普勒优化算法(IKOA) 自注意力机制深度学习小湾双曲拱坝; Keywords dam deformation monitoring gated recurrent unit(GRU) improved Kepler optimization algorithm(IKOA) self-attention mechanism deep learning Xiaowan double-arch dam; 分类号 TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名大坝变形的双向门控循环单元网络预测模型: 2; 作者姚佳池赵二峰刘峰宋桂华; 机构河海大学水资源高效利用与工程安全国家工程研究中心云南省水利水电工程安全重点实验室上海勘测设计研究院有限公司; 出处《水利水运工程学报》北大核心 2025年第4期99-107,共9页; 基金国家自然科学基金资助项目(52079046) 云南省水利水电工程安全重点实验室开放课题基金项目(202302AN360003)。; 文摘针对大坝变形序列的噪声信息,一次模态分解难以对其充分挖掘剔除,通过辛几何模态分解和改进的自适应噪声完备集合经验模态分解将变形实测序列解耦为不同频率的模态分量,使用最大信息系数对模态分量和实测序列进行相关性检验,并采用小波阈值对相关性弱的模态分量去噪重构,有效剔除实测序列中的噪声,利用基于注意力机制的双向门控循环单元网络模型对重构序列进行预测。应用实例表明,采用二次模态分解方法能有效剔除大坝变形实测序列中的噪声信息,建立的组合预测模型可以充分挖掘大坝变形与环境量之间的非线性关系且具有良好的泛化能力,为大坝长效服役性态预测提供了新方法。; 关键词大坝变形二次模态分解小波阈值去噪注意力机制双向门控循环单元预测模型; Keywords dam deformation quadratic modal decomposition wavelet threshold denoising attention mechanism bi-directional gated recurrent unit predictive 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ACNN-VAR的特高拱坝变形深度学习预测模型: 3; 作者钟桥俊赵二峰胡灵芝刘峰宋桂华; 机构河海大学水灾害防御全国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云南省水利水电工程安全重点实验室中国电建集团昆明勘测设计研究院有限公司上海勘测设计研究院有限公司; 出处《水电能源科学》北大核心 2025年第4期163-167,共5页; 基金国家自然科学基金项目(52079046) 云南省水利水电工程安全重点实验室开放课题基金(202302AN360003)。; 文摘变形是大坝服役性态的直观表现,对其进行分析与预测是科学诊断大坝健康的关键措施。为解析特高拱坝变形性态,利用基于注意力机制优化的卷积神经网络(ACNN)对实测数据进行局部时间特征提取,引入变分自编码器(VAE),将回归器嵌入到VAE构建变分自回归器(VAR),提出基于ACNN-VAR的特高拱坝变形深度学习预测模型,该模型综合注意力机制、CNN神经网络、VAE生成模型和回归器,深度挖掘特高拱坝变形性态的特征信息,生成潜在特征向量,实现深层次变化特征提取。实例应用结果表明,建立的预测模型能够准确模拟实测值的年周期变化及局部波动,具有较高的预测精度和稳定的鲁棒性,为特高拱坝变形监测提供了新思路。; 关键词变分自编码器注意力机制深度学习潜在特征向量; Keywords variational auto-encoder attention mechanism deep learning potential feature vector; 分类号 TV698.11 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于ICA-PSO-CNN的大坝变形预测研究: 4; 作者杨霖傅蜀燕吴曹东王子轩陈德辉杨石勇欧斌; 机构云南农业大学水利学院云南省中小型水利工程智慧管养工程研究中心云南省水利水电工程安全重点实验室; 出处《华北水利水电大学学报(自然科学版)》北大核心 2025年第3期10-16,60,共8页; 基金国家自然科学基金项目(52069029,52369026) 云南省水利水电工程安全重点实验室开放课题基金项目(202302AN360003) 云南省农业基础研究联合专项面上项目(202401BD070001-071)。; 文摘为提高大坝变形预测精度,针对传统大坝变形预测中出现的数据维度高、特征值选取困难、参数优化和模型调整较复杂等问题,提出了一种将独立主成分分析(ICA)和粒子群优化下的卷积神经网络(PSO-CNN)相结合的预测模型(ICA-PSO-CNN)。该模型通过ICA算法提取数据的特征值,减少沉冗信息,提高数据的精准表征能力,然后通过PSO对CNN参数进行迭代优化,进而得到最优参数下的CNN模型,使CNN模型的变形预测结果更准确。运用改进后的ICA-PSO-CNN模型对某混凝土双曲拱坝的变形进行预测,并与ICA-CNN模型和CNN模型的预测结果进行对比显示,改进的ICA-PSO-CNN模型的拟合效果和预测精度最好,为大坝变形预测提供了一种性能优良、精度较高的预测模型。; 关键词变形预测独立主成分分析粒子群优化卷积神经网络; Keywords deformation prediction independent principal component analysis particle swarm optimization convolutional neural network; 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EEMD-WOA-SVM的土石坝渗流量预测被引量：3: 5; 作者杨石勇傅蜀燕赵定柱高兰兰欧斌; 机构云南农业大学水利学院云南省水利水电工程安全重点实验室水灾害防御全国重点实验室; 出处《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第5期7-12,共6页; 基金国家自然科学基金项目(52069029,52369026) 云南省水利水电工程安全重点实验室开放课题基金(202302AN360003)。; 文摘为准确预报土石坝渗流量的变化趋势,针对传统的时间序列模型存在非线性处理能力较差、捕捉序列依赖关系能力不足等问题,建立了基于EEMD-WOA-SVM的土石坝渗流量预测模型.该模型采用集合经验模态(EEMD)有效分解土石坝渗流时间序列,引入鲸鱼优化算法(WOA)寻找支持向量机模型(SVM)的最优超参数组合,再将各模态分解分量代入组合模型预测并重构预测结果.案例分析结果表明,所建EEMD-WOA-SVM模型与传统的SVM模型相比,其拟合优度R2提升了19.8%,均方误差EMS、均方根误差ERMS、平均绝对误差EMA和平均绝对百分比误差EMAP分别降低了76%、50.3%、45.2%和43.2%.另外,与GA-SVM和WOA-SVM模型相比,R2值达0.9486,EMS、ERMS、EMA和EMAP分别降低至0.0012、0.0352、0.0289和0.0176,进一步说明了该组合模型具有较高的预测精度,为土石坝渗流量的精确预测提供了新途径.; 关键词集合经验模态分解鲸鱼优化算法支持向量机土石坝渗流量预测; Keywords ensemble empirical modal decomposition whale optimization algorithms support vector machine earth and rock dams seepage predication; 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

题名基于卡尔曼滤波的遗传蚁群混合算法优化改进云模型的渗流监测异常值识别: 6; 作者王奎欧斌刘振宇傅蜀燕; 机构云南农业大学水利学院云南省水利水电工程安全重点实验室河海大学力学与材料学院; 出处《科学技术与工程》北大核心 2024年第33期14393-14399,共7页; 基金国家自然科学基金(52069029,52369026) 云南省农业基础研究联合专项面上项目(202401BD070001-071) 云南省水利水电工程安全重点实验室开放课题基金(202302AN360003)。; 文摘大坝安全监测序列中广泛分布异常值,对其进行筛选与辨识是判定大坝运行性态的前提。传统的基于回归模型的异常识别方法会对监测数据造成正常值误判或者异常值漏判的情况。针对上述问题,将监测数据序列结合卡尔曼滤波方法去除噪声项,并以测值的日变化速率代替去噪后的数据,从而保留数据真实的演变轨迹,再结合云模型,建立基于日变化速率的改进云模型。同时采用遗传蚁群混合算法对改进云模型的阈值进行优化。分别对去噪前后和阈值优化前后的异常值数量进行对比分析。结果显示:原始数据经过卡尔曼滤波去噪处理后,日变换速率的总体范围显著减小,而用遗传蚁群混合算法对阈值区间进行优化后,其优化后的阈值区间小于优化前的。结果表明:所提出的方法在大坝的渗流监测中可更好地识别异常值,减少因噪声而引起的误判,有效提高对异常值的识别精度。; 关键词卡尔曼滤波日变化速率遗传蚁群混合算法改进云模型; Keywords Kalman filter daily rate of change genetic ant colony hybrid algorithm improved cloud models; 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	作者	出处	发文年	被引量	操作
1	基于IKOA优化SAGRU的大坝变形预测模型	胡伟泊赵二峰胡灵芝黎祎	《人民长江》北大核心	2025	0	在线阅读下载PDF 职称材料
2	大坝变形的双向门控循环单元网络预测模型	姚佳池赵二峰刘峰宋桂华	《水利水运工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于ACNN-VAR的特高拱坝变形深度学习预测模型	钟桥俊赵二峰胡灵芝刘峰宋桂华	《水电能源科学》北大核心	2025	0	在线阅读下载PDF 职称材料
4	基于ICA-PSO-CNN的大坝变形预测研究	杨霖傅蜀燕吴曹东王子轩陈德辉杨石勇欧斌	《华北水利水电大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
5	基于EEMD-WOA-SVM的土石坝渗流量预测	杨石勇傅蜀燕赵定柱高兰兰欧斌	《三峡大学学报（自然科学版）》 CAS 北大核心	2024	3	在线阅读下载PDF 职称材料
6	基于卡尔曼滤波的遗传蚁群混合算法优化改进云模型的渗流监测异常值识别	王奎欧斌刘振宇傅蜀燕	《科学技术与工程》北大核心	2024	0	在线阅读下载PDF 职称材料