【摘 要】
：
针对传统BP神经网络自身存在局部极小值及模型的泛化能力差时预测精度无法满足实际需求等的不足,本文用AdaBoost算法优化传统的BP神经网络得到AdaBoost-BP预测模型,可以减小局部极小值的影响,增强了模型的泛化能力,提高模型的预测精度.实例证明,AdaBoost-BP预测模型比传统的BP神经网络预测模型拥有更高的预测精度。
【机 构】
：
河海大学水利水电学院,江苏南京,210098;河海大学水文水资源与水利工程科学国家重点实验室,江苏南京,210098
【出 处】
：
中国水力发电工程学会大坝安全专委会2015年会暨大坝安全检测技术与新仪器应用学术交流会
论文部分内容阅读
针对传统BP神经网络自身存在局部极小值及模型的泛化能力差时预测精度无法满足实际需求等的不足,本文用AdaBoost算法优化传统的BP神经网络得到AdaBoost-BP预测模型,可以减小局部极小值的影响,增强了模型的泛化能力,提高模型的预测精度.实例证明,AdaBoost-BP预测模型比传统的BP神经网络预测模型拥有更高的预测精度。
其他文献
中国混凝土面板堆石坝正在向300m级坝高突破发展.坝高的突破必然导致安全监测系统升级.文章总结了200m面板坝安全监测施工经验,提出了适用于300m级面板坝的改进措施.300m级面板坝安全监测系统应积极引用新型监测技术,并通过"数字化"大坝平台充分利用监测指导施工的工程效益.一些体积较小的监测仪器，如渗压计、土压力计、测缝计等，由于其施工简单，技术成熟，仍然适用于300m级面板堆石坝安全监测。体积
拱坝混凝土施工期温度监测的传统方法是在典型坝段典型代表性高程布置永久温度计,其他坝段和坝块靠对冷却水管闷温后测量水温判断混凝土施工期的内部温度,温度监测误差大,数据少,难以为精细有效温控工作提供及时准确的混凝土温度数据,稍有不慎,极易产生温度裂缝.锦屏一级水电站混凝土双曲拱坝坝高305m,是世界第一高坝,拱坝混凝土温控防裂是拱坝质量控制的关键技术问题.为此,在拱坝建坝史上首次在锦屏一级拱坝全部浇筑
利用GIS在数据管理、可视化和空间分析等方面的技术优势,结合大坝安全自动化监测的实际业务需求,基于GIS平台研发大坝安全监测信息管理系统.构建属性信息、监测数据与空间信息一体化数据管理体系,在C/S、B/S混合模式架构下实现安全监测信息的可视化查询、资料分析、信息化管理与成果输出等功能.系统在全国多个大坝安全监测自动化系统中投入运行,提高自动化安全监控的效率和可靠性.
基于地理信息系统和虚拟现实等新兴技术,结合大坝安全自动化监测系统特点与需求,从监测数据、存储管理、信息显示三个方面研究并构建大坝安全监测信息二三维一体化方案模式;明确了大坝实体三维模型、仪器三维空间信息和监测信息三维显示的技术方法,实现了大坝安全监测信息三维可视化构建方案并进行应用.研究成果进一步提高大坝安全监测三维信息的管理、检索与显示效率,增强了信息直观性和数据可靠性.
变形是混凝土坝最主要的安全监测项目之一.传统混凝土坝变形研究主要针对混凝土坝"某特征点变形",而缺少科学的"空间整体变形"理论.本文将大坝整体变形看作由不同贡献度的单测点组成的,相互作用、相互影响的一个变形系统.结合熵理论,构建了计算大坝单测点贡献度的指标集合;基于投影寻踪原理,通过计算最佳投影方向,研究了单测点的贡献度的计算方法.最后通过工程实例,计算出单测点对大坝整体变形影响权重大小.
高拱坝库盘变形实测资料表明,巨大的库水荷载作用下,库盘发生向上游的转动变形,这会对坝体工作性态产生影响.本文以小湾高拱坝工程为例,通过建立库盘和近坝区两种不同尺度的模型,模拟了库盘变形的影响,重点对坝体强度、抗滑稳定和超载能力的安全度进行了分析.计算结果表明,考虑库盘变形的作用后,拱坝安全度计算结果更符合实际,且就工程设计施工而言,当前未考虑库盘变形的安全度研究成果是偏于安全的。
大坝服役过程中,对其预警指标进行实时估计具有重要意义.基于极值理论,针对大坝位移历史监测序列,拟定合理的阈值,利用广义帕累托分布(GPD)对超阈值序列进行刻画,结合大坝失事概率,建立位移预警指标估计超阈值(POT)模型.通过实时更新建模序列,完成对位移预警指标的实时估计.实例分析,针对某混凝土重力拱坝29号坝段某测点在典型时间段2007～2009年、2007～2010年和2007～2011年的位移
针对混凝土平板坝水平位移监测序列呈非线性以及周期性变化的特点,采用经验模态分解(EMD)的方法对混凝土平板坝水平位移监测序列进行分解,并采用计算信噪比最大值的方法对信号进行去噪,得到最优的去噪效果.面板坝的坝顶上下游方向水平位移主要受上下游水位和环境温度的影响,据此建立普通RBF和AFSA-RBF神经网络模型,并对混凝土平板坝上下游方向水平位移进行预测,对比两种模型预测样本的均方根误差(RMSE)
大坝变形观测资料可视为非平稳时间序列,从影响大坝变形规律的因素出发,可将其分解为主值函数项、周期函数项和改进后的平稳时间序列.其中主值函数项采用逐步回归法拟合,针对时效因子采用半经验公式无法准确拟合实际变化情况,采用小波分析法将序列分解为低频和高频两部分信号,其中低频部分代表时效等因素影响的变形趋势;高频部分代表水位、温度等影响的变化规律,应用时间序列原理分别建立变形预测ARMA(p,q)模型,从
建立合理的安全监控模型对实测资料进行实时分析和处理对大坝的安全运行有着重要意义.近年来,支持向量机(SVM)在建立监控模型中得到了广泛应用.但参数的选取对SVM模型的精度有相当大的影响.为了提高参数选择的精度,在标准粒子群算法(PSO)的基础之上,提出了一种加入高斯扰动项的变异粒子群优化算法(GAMPSO),对支持向量机的参数进行寻优,建立了基于GAMPSO-SVM的大坝变形监控模型,并进行工程实