SVM大坝变形监测模型研究

格式：pdf
大小：260.40 KB
文档页数：4

收稿日期：０００１４９５２－－基金项目：国家自然科学青年基金项目 “ 灾变环境下土石坝多源异（；水利部公益性行业构信息融合方法研究 ” ５１２０９１４４）科研专项经费项目 “ 大坝安全检测与监测技术标准化关（）。键技术研究 ” ２０１４０１０２２，作者简介：女，硕士研究生，马琳（研究方向为水工结构安９８９１－）全监控。Ｅ－ｍａｉｌｍａｌｉｎｈｈｕ＠１６３．ｃｏｍ。男，高级工程师，通讯作者：马福恒（研究方向为大坝安全监９６９－，１控、安全评价等。Ｅ－ｍａｉｌｍｆｈ８９１８＠１６３．ｃｏｍ。
；，Ｎ，（２１００９８，ＣｈｉｎａａｎｉｎＨｏｈａｉＵｎｉｖｅｒｓｉｔａｎｄＨｄｒｏｏｗｅｒＥｎｉｎｅｅｒｉｎＣｏｌｌｅｅｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃ１．ｊｇｙｙｐｇｇｇｙ；，ＮＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＷａｔｅｒ２１００２９，Ｃｈｉｎａ３．ＮａｔｉｏｎａｌＥｎｉｎｅｅｒｉｎＨｄｒａｕｌｉｃＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅａｎｉｎ２．Ｎａｎｉｎｇｇｙｊｇｊｇ；，，２１００９８，ＣｈｉｎａＮａｎｉｎＨｏｈａｉＵｎｉｖｅｒｓｉｔＳａｆｅｔＲｅｓｏｕｒｃｅｓＥｆｆｉｃｉｅｎｔＵｔｉｌｉｚａｔｉｏｎａｎｄＥｎｉｎｅｅｒｉｎｊｇｙｙｇｇ，，）ｏｆＨｄｒｏｌｏＬａｂｏｒａｔｏｒ４．ＳｔａｔｅＫｅａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｄｒａｕｌｉｃＥｎｉｎｅｅｒｉｎＨｏｈａｉＵｎｉｖｅｒｓｉｔＮａｎｉｎ２１００９８，Ｃｈｉｎａ－ｗｙｇｙｙｙｙｇｇｙｊｇ：，ＡｂｓｔｒａｃｔＤａｍｄｅｆｏｒｍａｔｉｏｎｍｏｎｉｔｏｒｉｎｄａｔａａｒｅａｃｏｍｌｅｘｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓ．Ｗｈｉｌｅｍｏｄｅｌｉｎｗｉｔｈｔｒａｄｉｔｉｏｎａｌｍｏｄｅｌｉｎｍｅｔｈｏｄｓｇｐｇｇ，ｒｏｂｌｅｍｓｌｉｋｅｌｏｗａｃｃｕｒａｃｆｉｔｔｉｎａｎｄｆｏｒｅｃａｓｔｉｎａｒｉｓｅ．Ｉｎｔｒａｄｉｔｉｏｎａｌａｌｏｒｉｔｈｍｓｔｈｅｂａｓｉｃｅｎｅｔｉｃａｌｏｒｉｔｈｍｃａｎ＇ｔｅｎｓｕｒｅｌｏｂａｌｏｔｉ－ｐｙｇｇｇｇｇｇｐ，ａｌｃｏｎｖｅｒｅｎｃｅｗｈｉｌｅｔｈｅａｖｅｒａｅｍｕｌｔｉｌｅｍｕｔａｔｉｏｎａｄａｔｉｖｅｅｎｅｔｉｃａｌｏｒｉｔｈｍｉｓｕｎｆａｖｏｒａｂｌｅｆｏｒｒｏｕｓｉｎｔｈｅｅａｒｌｓｔａｅｏｆｅｖｏｌｕｍ－ｇｇｐｐｇｇｇｐｙｇｔ－ｉｏｎ，ｗｈｉｃｈｅｎｅｒａｔｅｓａｈｉｈｏｓｓｉｂｉｌｉｔｏｆｌｅａｄｉｎｔｈｅｅｖｏｌｕｔｉｏｎｔｏｗａｒｄｓｌｏｃａｌｏｔｉｍｕｍ．Ｉｎｒｅｓｏｎｓｅｔｏｔｈｉｓｒｏｂｌｅｍ，ｔｈｉｓａｅｒｒｅｓｇｇｐｙｇｐｐｐｐｐｐｎｔｓａｖａｒｉｅｄｅｃｔｏｉｃｍｏｄｅｌｉｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｒｏｖｅｄａｄａｔｉｖｅｅｎｅｔｉｃｏｔｉｍｉｚａｔｉｏｎｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）．Ｍｕｌｔｉｌｅｍｕｅ－ｐｇｐｐｇｐｐｐｐ，ｏｔ－ａｔｉｏｎａｄａｔｉｖｅｅｎｅｔｉｃａｌｏｒｉｔｈｍｕｓｅｓｂｉｎａｒｍｕｌｔｉｉｎｔｃｒｏｓｓｏｖｅｒｍｅｔｈｏｄｉｎｗｈｉｃｈｉｔａｕｔｏｍａｔｉｃａｌｌｓｅｌｅｃｔｓｔｈｅａｒｏｒｉａｔｅｃｒｏｓｓｏｖｅｒｐｐｇｇｙｙｐｐｐｒｏｂａｂｉｌｉｔａｎｄｅｎｅｔｉｃｒｏｂａｂｉｌｉｔａｃｃｏｒｄｉｎｔｏｔｈｅｓｉｚｅｏｆｉｎｄｉｖｉｄｕａｌｆｉｔｎｅｓｓｖａｌｕｅ．Ａｓｅｎｅｔｉｃａｌｏｒｉｔｈｍｆａｌｌｓｉｎｔｏｌｏｃａｌｏｔｉｍｕｍｅａｓｉ－ｐｙｇｐｙｇｇｇｐ，ｌｈｅｅｎｅｔｉｃａｌｏｒｉｔｈｍａｂｏｖｅｉｓｉｍｒｏｖｅｄｔｏａｒｏｒｉａｔｅｌｓｅｅｋｔｈｅｏｔｉｍｉｚａｔｉｏｎｏｆＳＶＭａｒａｍｅｔｅｒｓ．Ｔｈｅｍｏｄｅｌｉｎｍｅｔｈｏｄａｂｏｖｅｉｓｙｔｇｇｐｐｐｐｙｐｐｇ，ｕｓｅｄｔｏｅｓｔａｂｌｉｓｈｔｈｅｍｏｄｅｌｏｆｄａｍｄｅｆｏｒｍａｔｉｏｎｍｏｎｉｔｏｒｉｎａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｏｍｂｉｎａｔｉｏｎａｌｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｉｍ－ｇｇｙｏｖｅｔｈｅａｃｃｕｒａｃｏｆｔｈｅｍｏｄｅｌｆｉｔｔｉｎａｎｄｆｏｒｅｃａｓｔｉｎ．ｒｙｇｇｐ：；Ｋｅｗｏｒｄｓｒｄａｍ；ｄｅｆｏｒｍａｔｉｏｎｍｏｎｉｔｏｒｉｎｍｏｄｅｌＳＶＭ；ｉｍｏｖｅｄＭＭＡｙｇｐ
大坝的变形监测数据是一个复杂的非线性的时间序列，采用传统的建模方法存在拟合和预报精度低等问摘要：题。传统算法中，基本遗传算法不能确保全局最优收敛，而普通多变异位自适应遗传算法在进化初期对群体不利，容易导致进化走向局部最优。针对这一问题，提出一种基于改进的多变异位自适应遗传优化支持向量机（的建模方ＳＶＭ）法。多变异自适应遗传算法采用二进制多点交叉，可根据个体适应值大小，自动选取合适的交叉概率和遗传概率，针对遗传算法易陷入局部最优点，对上述遗传算法进行改进，并利用该算法对支持向量机的模型参数进行寻优。将上述建模方法用于大坝变形监控模型的建立，结果表明该组合算法能有效提高模型的拟合和预报精度。大坝；变形监测模型；支持向量机；改进的多变异位自适应遗传算法关键词：ＴＶ６９８．１文献标识码：Ａ中图分类号：
０引言
大坝变形监测是大坝安全监测系统中最重要的组成部分，通过建立大坝安全监测模型，及时有效地掌握大坝变形状态对
１，２］。目前，根据监测数据的特点，确保大坝安全运行尤为重要［
，较常用的监测模型有支持向量机（ＳｕｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓｐｐ、神经网络模型、时间序列模ｏｒｍａｔｉｏｎＭｏｎｉｔｏｒｉｎＭｏｄｅｌＢａｓｅｄｏｎＩｍｒｏｖｅｄＭＭＡＶＭ－ｇｐ
１３４２１３４１３４，ＭＡＭＡｈｄｉＦＬＬｉｎＦｕｅｎＡＮＺｈｅｎｏｎＩＹｕｅａｏ－－－ｊｇ，ｇ，，，，，，，
４１４
（）文章编号：２００００７２８４２０１５０５１４４４１－－－
中国农村水利水电 ·２０１５年第５期
ＳＶＭ大坝变形监测模型研究
２，３３，４３，４，，马福恒２，范振东１，李月娇１，马琳１，

基于机器学习的重力坝变形监测统计模型及应用

经网络容易陷入局部极小值的缺陷 [１４￣１５] ꎮ
数时效因子作为输入值ꎬ 构建基于稳健估计极值学
习机( Ｍ￣ＥＬＭ) 的变形监测模型ꎬ 具有较高的拟合
和预测精度ꎻ 戴波
[７]
本文拟结合ＥＭＤ分解ꎬ 采用极限学习机
( ＥＬＭ) 、基于网格搜索和Ｋ￣ｆｏｌｄ交叉验证的支持向
(４) 计算隐藏层输出层连接权重 β∗ ＝Ｈ＋Ｔ ꎮ
(５) 构建ＥＬＭ网络ꎬ 得到训练集对应的ＥＬＭ
的输出值ｆＬ ( ｘｉ ) ( ｉ＝１ꎬ２ꎬ
ꎬＮ) ꎬ 并进行标记反归
一化ꎬ 即可得到训练集标记对应的预测值ꎮ
＋２ꎬ
取出的测试集进行预测ꎬ 统计测试结果的均方误
差ＭＳＥ:
ｎ
１
( Ｙ＾ｉ－Ｙｉ ) ２
(１)
∑
ｉ＝１
ｎ
式中ꎬ Ｙｉ —测试集样本的实际值ꎬ Ｙ＾ｉ —测试集样本
δ ＭＥＳ＝
的预测值ꎬ ｎ —划分出的测试集样本数量ꎮ
２１极限学习机( ＥＬＭ)
２ꎬ
科研与管理
水利规划与设计
(６) 输入预测集的数据实例 { Ｘｉｘｉ ꎬｉ＝Ｎ＋１ꎬＮ
差ＲＭＳＥ和平均绝对误差ＭＡＥ对其训练集拟合和
预测集的预测效果进行对比分析ꎮ
２机器学习算法
极限学习机( ＥＬＭ) 是Ｈｕａｎｇ
[１６]
等提出的一种
高性能单隐层前馈神经网络ꎬ 基本步骤如下:
(１) 输入训练集 { Ｘｉ ꎬＹｉｘｉ ∈ Ｒ ꎬｙｉ ∈ Ｒ ꎬｉ＝１ꎬ
ｄ
ｍ
ꎬＮ} ꎬ 隐藏层激活函数Ｇ() 形式和隐藏层神

两种不同的SVM建模方法在大坝变形预测中的应用

两种不同的SVM建模方法在大坝变形预测中的应用沈哲辉;张安银;司聪;沈月千【摘要】Generally,there are two ways of modeling dam deformation monitoring data with support vector machine.First,the support vector machine model is constructed only with the dam deformation data as the input and output;second,the support vector machine model is constructed with the deformation of the dam impact factors such as temperature,water pressure as input,and the dam deformation data as output.There are few discussions about which modeling method is more outstanding.Two methods are used to model a dam in Fujian Province in this paper.Result shows that the second method not only can spend less time modeling and predicting,but also improve the prediction accuracy.%用支持向量机对大坝变形监测数据建模分析和预测一般有两种方法:一是仅用大坝的变形数据作为输入端和输出端,构建支持向量机模型;二是用温度、水压等大坝变形的影响因子作为输入端,大坝变形数据作为输出端,构建支持向量机模型.两种建模方法比较研究鲜有讨论,文中用这两种建模方法对福建省某一大坝进行建模预测.结果表明,第二种方法建模预测速度更快,预测精度更高.【期刊名称】《测绘工程》【年(卷),期】2017(026)007【总页数】4页(P57-59,65)【关键词】支持向量机(SVM);变形影响因子;变形量;建模方法;预测【作者】沈哲辉;张安银;司聪;沈月千【作者单位】江苏省地质工程勘察院,江苏南京211102;江苏省地质工程勘察院,江苏南京211102;江苏省地质工程勘察院,江苏南京211102;河海大学地球科学与工程学院,江苏南京211100【正文语种】中文【中图分类】P258对大坝的变形数据进行分析是非常必要的。

H-SVM组合模型在大坝变形预测中的应用

H-SVM组合模型在大坝变形预测中的应用摘要：大坝体变形受到多种因素的影响，具有非线性非稳定的特点。

为了有效地提高处理大坝监测数据的效果，本文建立了一种基于HHT理论和支持向量机的变形预测组合模型。

与其他模型相比较，该模型具有较高的精度和较强的泛化能力。

关键词：HHT；支持向量机；HHT支持向量机（H-SVM）；变形预测；组合模型Abstract:Due to the impact of many different items,deformation of dams have non-linear and non-stationary characteristics.The paper establish a kind of model prediction based on HHT and SVM to improve the effectivty of dams’deformation data processing.The model has higher precision and greater generalization ability than other method.Key words:HHT;SVM;H-SVM;deformation prediction;combined model 大坝在带来巨大经济和社会效益的同时，也存在着严重的安全隐患。

大坝工程是一个包含着许多不确定因素的庞大的系统工程[1]。

近年来，随着机器学习理论的快速发展，以支持向量机（SVM）为代表的智能算法在大坝变形分析领域取得了广泛的应用，受到各国研究者的重视。

在有限样本情况下，SVM 进行数据分析时优势明显[3]，在对大坝的建模分析中取得了较好的成果。

本文根据HHT具有的多尺度分析的特性，结合SVM建立预测模型,对大坝监测数据进行预测分析。

希尔伯特-黄变换（HHT）HHT主要由两个大部分组成，即EMD分解和Hilbert谱分析，其基本原理是：首先运用EMD方法将某信号分解成若干个IMF之和，然后对每一个IMF 分量进行Hilbert谱分析，获取信号的瞬时频率信息，为进一步分析处理信号提供必要的资料。

基于SVM的混凝土坝变形监控模型预测能力实例分析

摘要：大坝变形与水位、温度、时效等较多因素非线性相关，支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）适用于小样本、非线性、高维学习问题，在大坝安全变形监控上具有很大的优越性。阐述了支持向量机的原理，介绍了应用ＳＶＭ建立混凝土坝变形监控模型的步骤及其参数优化方法。针对预测样本数目的合理取值问题，通过实例分析，研究基于ＳＶＭ的混凝土坝变形监控模型的预测能力。结果表明，基于ＳＶＭ的混凝土坝变形监控模型短期预测能力优于长期预测能力，且其预测能力受预测集数目的影响大于算法优化的影响。因此，合理选择预测集数目对变形监控模型有效预测尤为重要。关键词：混凝土坝；变形监控；ＳＶＭ；粒子群算法；预测能力；实例分析中图分类号：ＴＶ６９８．１１文献标志码：Ａ文章编号：１００１－５４８５（２０１８）０８－００４６－０５
收稿日期：２０１７－０１－１６；修回日期：２０１７－０２－１９基金项目：国家自然科学基金项目（５１５７９０８６，５１４７９０５４，５１３７９０６８，５１１３９００１）；江苏省杰出青年基金项目（ＢＫ２０１４００３９）；江苏高校优势学科建
设工程项目（ＹＳ１１００１）作者简介：钱秋培（１９９３－），女，江苏南通人，硕士研究生，研究方向为水工结构安全监控。Ｅｍａｉｌ：７８１６３３０４６＠ｑｑ．ｃｏｍ通信作者：包腾飞（１９７４－），男，湖北黄冈人，教授，博士，博士生导师，主要研究方向为水工结构及岩土工程的安全监控、光纤传感器在结构健
Ｑｉｊ＝Ｋ（ｘｉ，ｘｊ）。
式中 Ι为单位矩阵。
可得回归模型为
ｌ
ｆ（ｘ）＝∑ αｉＫ（ｘ，ｘｉ）＋ｂ。ｉ＝１
２．２模型建立及参数优化
（７）
监控模型一般包括训练集和预报集两部分，建
立步骤如下：①利用训练集数据建立监测效应量与

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

SVM大坝变形监测模型研究

合集下载

基于机器学习的重力坝变形监测统计模型及应用

两种不同的SVM建模方法在大坝变形预测中的应用

H-SVM组合模型在大坝变形预测中的应用

基于SVM的混凝土坝变形监控模型预测能力实例分析

文档推荐

最新文档