收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

梁耀东  栾元重  刘方雨  纪赵磊  庄艳  
【摘要】:针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法。基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型。将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估。结果表明,该模型在预测精度上有了明显提高,预测性能尤佳。可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值。

知网文化
【相似文献】
中国期刊全文数据库 前16条
1 唐奇;王红瑞;许新宜;王成;;基于混合核函数SVM水文时序模型及其应用[J];系统工程理论与实践;2014年02期
2 向杰;;基于混合核RVM理论的大坝变形监控优化模型[J];水电能源科学;2015年05期
3 杨贝贝;;基于小波核函数和支持向量机的大坝变形预测[J];人民长江;2016年17期
4 刘敏;郑上雄;;改进支持向量机在大坝变形预测中的应用研究[J];城市勘测;2017年01期
5 田俊峰;吴丽;;洪水灾情SVM评估模型[J];水文;2009年01期
6 范振东;崔伟杰;冯树荣;肖峰;;支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响[J];水电能源科学;2015年02期
7 郭俊;周建中;张勇传;宋利祥;刘强;;基于改进支持向量机回归的日径流预测模型[J];水力发电;2010年03期
8 陈绳甲;以蓄泄关系为基础的雨洪核函数转换规律[J];重庆交通学院学报;1987年04期
9 曾勇红;练继建;张金福;;随机需求下的梯级泵站日优化调度[J];武汉理工大学学报(交通科学与工程版);2013年01期
10 姜立新;康飞;胡军;;大坝变形非线性智能组合预测方法研究[J];四川建筑科学研究;2008年03期
11 周有荣;王凯;;改进鲸鱼算法优化混合核支持向量机在径流预测中的应用[J];中国农村水利水电;2020年07期
12 沈哲辉;黄腾;沈月千;郑浩;;遗传算法优化支持向量机在大坝变形预测中的应用[J];大地测量与地球动力学;2016年10期
13 周有荣;崔东文;;基于混合核SHTS-SVM的年径流预测[J];水资源与水工程学报;2019年03期
14 孙俊奎;王将;康道俊;闫丽萍;周稀;;基于多种算法优化SVM模型的乌东德水电站降水量预报[J];干旱气象;2019年04期
15 何明;薛桂玉;;基于最小二乘支持向量机的大坝变形预测模型[J];西北水电;2011年S1期
16 高永刚,岳建平,石杏喜;支持向量机在变形监测数据处理中的应用[J];水电自动化与大坝监测;2005年05期
中国重要会议论文全文数据库 前3条
1 徐长华;;基于CEEMDAN-PSR-KELM的大坝变形预测[A];2019年江西省电机工程学会年会论文集[C];2019年
2 张猛;朱锦杰;滕世敏;李得英;;公伯峡水电站大坝变形性态分析[A];高寒地区混凝土面板堆石坝的技术进展论文集[C];2013年
3 刘子侠;王清;王永全;;基于聚类分析与两级模糊综合评判相结合的大坝变形分析与预报研究[A];第二届全国岩土与工程学术大会论文集(上册)[C];2006年
中国博士学位论文全文数据库 前2条
1 彭兵;基于改进支持向量机和特征信息融合的水电机组故障诊断[D];华中科技大学;2008年
2 董洁;非参数统计理论在洪水频率分析中的应用研究[D];河海大学;2005年
中国硕士学位论文全文数据库 前16条
1 郭健宝;基于支持向量机重力式码头结构健康监测预测模型研究[D];浙江工业大学;2013年
2 王亚萍;光滑粒子流体动力学(SPH)方法在溃坝问题中的应用研究[D];天津大学;2012年
3 翟信德;基于支持向量机的大坝变形预测研究[D];合肥工业大学;2007年
4 崔庆;最小二乘支持向量机模型的改进及其在径流预报中的应用[D];西北农林科技大学;2013年
5 王琳;基于支持向量机的新安江重力坝变形监测模型[D];昆明理工大学;2016年
6 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
7 王学明;基于支持向量机方法的工程围岩变形预测研究[D];东北大学;2009年
8 姜仁辉;设计与实现基于支持向量机的水电故障分类器[D];吉林大学;2008年
9 刘敏;改进支持向量机在大坝变形预测中的应用研究[D];江西理工大学;2015年
10 黄戈;基于最小二乘支持向量机的水轮发电机组振动故障诊断方法研究[D];西安理工大学;2009年
11 冯腾飞;改进人工蜂群算法优化的LSSVM大坝变形预测模型研究[D];江西理工大学;2019年
12 齐银峰;BP神经网络在大坝变形分析中的应用及改进[D];昆明理工大学;2017年
13 张潇珑;基于基因表达式编程的大坝变形预测模型研究[D];江西理工大学;2014年
14 李文敬;双子支持向量机模型改进及其在径流预报中的应用[D];南昌工程学院;2019年
15 李超;小波神经网络在大坝变形预测中的应用研究[D];长安大学;2012年
16 曹光明;龙羊峡大坝变形性态分析[D];天津大学;2004年
中国重要报纸全文数据库 前1条
1 本报记者 张海涛 张晨;管道测量机器人让大坝变形早发现[N];贵阳日报;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978