基于多目标模糊优化算法的边坡变形组合预测模型

为提高边坡变形时间曲线预测精度,提出了基于多目标模糊优化算法的边坡变形组合预测模型.首先通过经验阈值法优选单一预测模型进行组合;然后采用均方误差描述预测模型的拟合误差,采用灰色关联度描述预测模型与边坡实际变形曲线的发展相关性,以"拟合误差小"和"发展相关性好"为目标,引入模糊优化算法确定多目标模糊满意度综合评价函数,建立多目标优化模型;最后采用粒子群优化算法(PSO)求解组合预测模型的最优权重,实现边坡变形的多目标精细化预测.采用该模型对宜巴高速路段老屋包坡体CX19测斜孔变形数据进行预测分析,预测结果表明该模型的拟合误差和发展相关性均优于传统的单一预测模型,能有效提高预测的精度,具有工程应用价值.     

基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型：指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出：组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

基于EMD-PSO-LSTM组合模型的船舶运动姿态预测

由于船舶在海上航行时的高随机性和复杂性,单一模型预测能力有限,难以做出准确姿态预测。因此,提出一种基于经验模态分解(EMD)和粒子群优化(PSO)的长短期记忆神经网络(LSTM)的组合预测模型,对船舶运动姿态进行预测。首先通过EMD算法将由惯性导航系统在实时测量得到的船舶运动姿态数据进行分解,得到有限个本征模函数(IMF)。然后,利用PSO-LSTM模型学习各IMF分量的短期时序规律并进行预测,将各IMF分量的预测值相加得到最终的预测结果。基于实测数据进行仿真的结果表明,该组合预测模型分别比LSTM模型和PSO-LSTM模型在姿态角的预测中平均绝对百分比误差分别降低了约11%和7%,有效提高了船舶运动姿态预测精度。     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

非等距时间序列的灰色预测模型及其在蠕变断裂中的应用

本文给出了非等距时间序列的灰色预测模型。讨论了该模型的灰色预测平面和最优预测函数，最后将该模型应用于符合Ｂｕｒｇｅｒｓ模型的石膏材料的蠕变断裂，并验证了该方法的可行性。     

基于粗糙集模糊神经网络的爆破振动危害预测

为了探索一种能克服单因素预测的局限性、提高爆破振动危害预测精度的方法,基于粗糙集模糊神经网络理论,建立了综合考虑爆破振动幅值、主频率、主频率持续时间及结构动力特性等10个因素的民房破坏程度预测模型;用铜绿山矿爆破振动和民房破坏情况观测数据,对该模型进行了训练和测试,测试结果与现场观测结果具有良好的一致性。研究表明:粗糙集理论可将现场数据进行属性约简,简化输入变量,缩小神经网络的搜索空间,改善爆破振动的预测性能;基于粗糙集模糊神经网络理论的爆破振动危害预测模型,能更好地考虑各种因素对危害程度的综合影响,避免了单因素预测的局限性。     

混沌时间序列预测的局域法在边坡变形分析中的应用

边坡作为一个复杂系统,其本身的各种参量是不确定的和随机的,在其演化过程中,表现出复杂的非线性行为,发生一系列的混沌现象。本文运用现代混沌理论,对边坡变形的预测问题进行探索性研究,把混沌时间序列理论引入到边坡工程研究中,对该理论的建立及预测方法进行系统地讨论,为该领域的研究提供完整的技术方法。通过对新滩滑坡的研究结果表明,混沌时间序列方法对混沌序列的预测较线性时间序列具有较高的精度。     

GNSS 失锁下基于混合预测模型的 POS 误差估计方法

针对GNSS信号受遮挡或干扰导致的位姿测量系统（POS）量测信息失锁问题,提出一种基于多元线性回归（MLR）和径向基函数神经网络（RBFNN）的混合预测方法,用于GNSS失锁期间的POS导航误差预测。该方法利用Hodrick-Prescott(HP)滤波将POS导航误差样本数据分解成趋势性成分序列与波动性成分序列,分别采用MLR和RBFNN对其进行预测建模,充分表征POS导航误差数据的线性与非线性特征。车载实验结果表明,所提出的基于MLR/RBFNN混合预测方法与标准Kalman滤波方法相比,位置误差精度提高72.9%～89.1%,速度误差精度提高50.1%～60.8%,其位置和速度误差统计结果均优于单一的MLR预测模型和RBFNN预测模型。     

基于改进型灰色预测模型的SINS/GPS组合导航系统

针对SINS/GPS组合导航系统中的GPS故障,结合GPS导航定位信息的特点,提出了基于改进型灰色预测的GPS故障预测模型,实现了GPS故障预测;结合SINS/GPS组合导航系统数学模型,进行了基于改进型灰色预测的SINS/GPS组合导航系统仿真。仿真结果表明,GPS位置数据预测残差小于1.5 m;在GPS短暂故障期间,由预测数据取代GPS故障数据,可以有效提高SINS/GPS组合导航系统的抗干扰能力,保证其导航精度;比较GPS故障数据和预测数据,并根据故障数据的持续时间和变化特点等,可以诊断GPS故障是硬件故障还是外部干扰的影响,有助于实现GPS的故障判别与隔离。     

铜黄公路某滑坡安全监测及预测研究

铜黄公路全长93.9km,其中遇到的各种滑坡30余处。为了研究这些滑坡的治理效果,对其变形与稳定进行了检测。以川口滑坡检测为例,运用灰色理论建立铜黄滑坡安全监控的GM(2,1)模型,其中非等时距位移序列采用拉格朗日插值函数转变为等时距序列。采用非等时距GM(2,1)和GM(1,1)模型对铜黄公路川口滑坡观测点进行安全预测。非等时距GM(2,1)模型预测滑坡变形精度总体较GM(1,1)模型高。由预测结果可见,治理后该滑坡是稳定的,预测结果和实际吻合良好。     

边坡稳定性预测的模糊神经网络模型

根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。     

中心逼近式灰色GM(1,1)模型在滑坡变形预测中的应用

黄龙西村滑坡位于甘肃天水,属黄土高势能滑坡,滑体体积3.9×10⁵m³,基底为花岗闪长岩。为了提高滑坡灰色GM(1,1)模型的预测精度,采用一种改变背景值的方法--中心逼近式灰色GM(1,1)模型。通过黄龙西村滑坡实例验证分析,结果表明中心逼近式灰色GM(1,1)模型的预测值与该滑坡实际监测值十分接近,且其残差平方和及平均误差百分比明显比传统灰色GM(1,1)模型的残差平方和及平均误差百分比小,具有较高的预测精度。同时,可通过调整模型中参数m的取值,使中心逼近式灰色GM(1,1)模型具有更高的预测精度。经计算,当m=6时,中心逼近式灰色GM(1,1)模型的预测精度比传统灰色GM(1,1)模型提高了5.34%。     

澜沧江某水电站右坝肩工程边坡倾倒变形问题的数值 模拟研究

澜沧江某水电站处于青藏高原东部边缘地带,属于高山峡谷地形地貌,高地应力环境,岩体卸荷裂隙很发育,使得倾倒变形和岩体质量、断裂活动及地震构造一样成为影响工程边坡岩体稳定的主要因素。针对工程边坡的大变形问题可采用离散元的数值模拟分析方法。通过建立理论开挖和工程边坡开挖离散元模型,可分别得出倾倒变形破坏机理发展过程为初期弱倾倒变形岩体的层内剪切错动、强倾倒变形岩体的层内拉张变形、强倾倒变形岩体的切层张-剪破裂及极强倾倒破裂岩体的折断张裂(坠覆)破裂和工程边坡的变形范围、确定开挖面及加固方式等。通过工程边坡模型的计算结果和现场地质调查成果的比较表明,计算结果和实际情况基本吻合。     

反倾岩质边坡变形特征的三维数值模拟研究——以龙滩水电站工程边坡为例进行三维变形特征分析

以龙滩水电站工程边坡三维变形为例,分析了层状反倾岩质边坡当边坡与岩层夹角变化时,边坡的变形特征。并通过数值模拟根据变形曲线对不同范围边坡与岩层走向夹角的变形特征进行了定性描述。     

基于反向传播神经网络的疲劳裂纹扩展分析

材料发生疲劳断裂时往往会引起重大安全事故,而基于传统数值模拟方法求解疲劳裂纹扩展问题时模 型复杂、计算量大．本文基于包含多隐层的反向传播神经网络分析金属材料疲劳裂纹扩展行为,计算了裂纹扩 展过程中的 von Mises应力场和位移场,并与数值解和实验解进行对比,误差分析结果表明其求解精度高．并 基于该神经网络有效预测了裂纹扩展中裂纹长度及裂纹扩展速率的变化过程,预测精度高．该神经网络分析方 法可为材料剩余寿命和疲劳强度预测提供研究基础．     

基于神经网络的差分方程快速求解方法

近年来, 人工神经网络(artificial?neural?networks, ANN), 尤其是深度神经网络(deep?neural?networks, DNN)由于其在异构平台上的高计算效率与对高维复杂系统的拟合能力而成为一种在数值计算领域具有广阔前景的新方法. 在偏微分方程数值求解中, 大规模线性方程组的求解通常是耗时最长的步骤之一, 因此, 采用神经网络方法求解线性方程组成为了一种值得期待的新思路. 但是, 深度神经网络的直接预测仍在数值精度方面仍有明显的不足, 成为其在数值计算领域广泛应用的瓶颈之一. 为打破这一限制, 本文提出了一种结合残差网络结构与校正迭代方法的求解算法. 其中, 残差网络结构解决了深度网络模型的网络退化与梯度消失等问题, 将网络的损失降低至经典网络模型的1/5000; 修正迭代的方法采用同一网络模型对预测解的反复校正, 将预测解的残差下降至迭代前的10?5倍. 为验证该方法的有效性与通用性, 本文将该方法与有限差分法结合, 对热传导方程与伯格方程进行了求解. 数值结果表明, 本文所提出的算法对于规模大于1000的方程组具有10倍以上的加速效果, 且数值误差低于二阶差分格式的离散误差.      

基于主动学习神经网络的转向架构架疲劳可靠性分析

为了提高转向架构架疲劳可靠性分析的精度与效率，提出一种主动学习BR-BP神经网络模型与Monte Carlo法相结合的可靠性分析方法。该方法针对BP神经网络的缺陷，使用贝叶斯正则BR(Bayesian regularization)算法作为训练算法，以提高神经网络的拟合精度与收敛速度，并考虑可靠性分析的固有特点，构造了一种适用于BP神经网络的主动学习函数，用于指导最佳样本点的选择。提出的学习函数不仅保证了样本点分布在极限状态函数附近，还考虑了样本点的预测误差以及样本点分布对失效概率计算的影响。转向架构架可靠性分析结果表明，本文方法在提高拟合精度的同时兼顾了计算效率，验证了所提方法的优越性与可行性。