基于粒子群优化算法的滑坡位移数据预测研究
发布时间：2021-10-05 05:26
滑坡监测内容主要分为两部分:位移监测和裂缝监测。近年来,国内外专家致力于滑坡位移监测的研究,发现滑坡位移受地层岩性、降雨量、地下水位、地震及人工活动等多种因素的影响,滑坡一旦发生,将给人类生活和生产带来不可估量的损失,因此滑坡预测预报研究具有十分重要的意义。目前,滑坡位移预测预报模型众多,单一的预测模型存在运算速度慢、预测精度低等缺点,且预测结果不稳定,可靠性差。BP神经网络作为一种仿造人脑特性的网络系统,具有强大的非线性映射能力,常被应用在滑坡位移预测中,但单一的神经网络模型存在隐含层难以确定、收敛速度慢等缺点,预测精度并不理想,针对以上缺陷,论文利用粒子群算法优化BP神经网络的权值和阈值,不仅可以优化网络结构,还可以提高收敛速度。由于标准粒子群算法存在过早收敛及易陷入局部极值等问题,本文对标准粒子群算法的权重进行改进,分别为线性递减惯性权重法、随机惯性权重法及非线性惯性权重法,动态权重能够通过调整粒子的速度和位置提高粒子群算法的全局搜索能力,避免过早收敛。在动态权重改进方法的基础上进行二次改进,利用混沌理论对粒子群算法搜索的最优粒子的位置进行混沌,以避免粒子群陷入局部极值,改善了标...
【文章来源】：山东科技大学山东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图１．１论文技术路线图??Ｆｉｇ．?１．１?Ｔｅｃｈｎｉｃａｌ?ｒｏａｄｍａｐ?ｏｆ?ｐａｐｅｒ??１．４本章小结??
性、大规模并行处理、自学习、自组织及自适应性等。１９８６年，Ｄａｖｉｄ?Ｅ．Ｒｕｍｅｌｈ和Ｊａｍｅｓ?Ｌ．ＭｃＣｅｌｌａｎｄ提出了一种误差反向传播神经网络模型，即ＢＰ神经模型。作为一种最普通的神经网络模型，ＢＰ神经网络模型被广泛应用在生学、信息工程、图像处理、工程监测等各个领域。。??２．１．１?ＢＰ神经网络的结构及算法分析??ＢＰ神经网络是一种类似于人脑的智能系统，该模型模仿人脑的结构能，由大量互相联结的神经元组成，能够实现自学习、自适应的特点，是一前馈神经网络［３３］。ＢＰ神经网络主要由三层组成：输入层、隐含层和输出层，与层之间互相联结，而每层内部的结点之间互不联结，且隐含层可以是一层也可以是多层。ＢＰ结构示意图如图２．１，图中冬，／２，…，叉为输入层，／，…，／为出层。??
２．?２?ＢＰ神经网络的算法流程图??Ｐ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??能分析??题中有很多优点和特征，也存在一些不足缺点。??下：??明显。ＢＰ神经网络模仿人脑结构，能够程式的情况下实现从输入向量到输出向能力。ＢＰ神经网络在网络训练过程中，的训练规则，自动调节权值和阈值，以
【参考文献】：
期刊论文
[1]灰色BP神经网络组合模型在地铁沉降监测中的应用[J]. 冯子帆,成枢,邱健,荆晓宇. 四川建材. 2017(12)
[2]基于改进量子粒子群算法的电力系统经济调度仿真研究[J]. 陈功贵,黄山外,孙智,张治中,熊国江. 实验技术与管理. 2017(03)
[3]基于改进粒子群优化算法的边坡稳定性分析[J]. 孙昊,潘少华,杨善统,熊峰,郭龙骁. 水电能源科学. 2017(02)
[4]基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用[J]. 齐银峰,谭荣建. 水利水电技术. 2017(02)
[5]基于粗糙集和粒子群优化支持向量机的滑坡变形预测[J]. 赵艳南,牛瑞卿,彭令,程温鸣. 中南大学学报(自然科学版). 2015(06)
[6]改进粒子群算法优化的卫星钟差组合预报模型[J]. 刘赞,陈西宏,孙际哲,刘强,张群. 探测与控制学报. 2015(01)
[7]基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]. 张俊,殷坤龙,王佳佳,黄发明. 岩石力学与工程学报. 2015(02)
[8]改进混沌粒子群的动态模糊神经网络参数优化及应用[J]. 匡芳君,张思扬,徐蔚鸿. 微电子学与计算机. 2015(01)
[9]基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究[J]. 王振树,卞绍润,刘晓宇,于凯,石云鹏. 电工技术学报. 2014(12)
[10]混沌粒子群神经网络在上证指数预测中的应用[J]. 孟栋,樊重俊,刘思. 数学理论与应用. 2014(02)
博士论文
[1]哀牢山区降雨型滑坡预警理论与方法研究[D]. 温铭生.北京交通大学 2014
[2]基于神经网络的滑坡预测及其控制研究[D]. 陈煌琼.华中科技大学 2013
[3]进化计算优化前向神经网络的学习方法研究[D]. 季伟东.东北林业大学 2013
[4]混沌粒子群优化算法及应用研究[D]. 徐文星.北京化工大学 2012
[5]粒子群优化算法的改进及应用研究[D]. 毛恒.华侨大学 2008
[6]混沌粒子群优化算法理论及应用[D]. 唐贤伦.重庆大学 2007
硕士论文
[1]改进的粒子群优化BP神经网络在大坝变形预测中的应用[D]. 杨超.东华理工大学 2016
[2]基于混沌粒子群神经网络变形预测模型的应用研究[D]. 冯康.华北水利水电大学 2016
[3]基于改进型PSO-BP神经网络算法的水环境质量评价[D]. 曹伟.昆明理工大学 2016
[4]基于改进PSO-RBF神经网络的气温预测模型[D]. 陈广.兰州大学 2015
[5]基于粒子群的粮食产量预测神经网络优化研究[D]. 李雪.浙江海洋学院 2014
[6]粒子群改进算法及在混合神经网络中的应用研究[D]. 武燕.景德镇陶瓷学院 2014
[7]基于改进粒子群算法的BP神经网络优化及应用[D]. 王耀东.西安科技大学 2012
[8]基于混合智能算法的铁路运量预测研究[D]. 陶海龙.兰州交通大学 2012
[9]粒子群算法的拓扑结构分析与研究[D]. 杨朋樽.太原理工大学 2010
[10]BP神经网络算法的改进及其在PID控制中的应用研究[D]. 史春朝.天津大学 2006
本文编号：3419087
【文章来源】：山东科技大学山东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图１．１论文技术路线图??Ｆｉｇ．?１．１?Ｔｅｃｈｎｉｃａｌ?ｒｏａｄｍａｐ?ｏｆ?ｐａｐｅｒ??１．４本章小结??
性、大规模并行处理、自学习、自组织及自适应性等。１９８６年，Ｄａｖｉｄ?Ｅ．Ｒｕｍｅｌｈ和Ｊａｍｅｓ?Ｌ．ＭｃＣｅｌｌａｎｄ提出了一种误差反向传播神经网络模型，即ＢＰ神经模型。作为一种最普通的神经网络模型，ＢＰ神经网络模型被广泛应用在生学、信息工程、图像处理、工程监测等各个领域。。??２．１．１?ＢＰ神经网络的结构及算法分析??ＢＰ神经网络是一种类似于人脑的智能系统，该模型模仿人脑的结构能，由大量互相联结的神经元组成，能够实现自学习、自适应的特点，是一前馈神经网络［３３］。ＢＰ神经网络主要由三层组成：输入层、隐含层和输出层，与层之间互相联结，而每层内部的结点之间互不联结，且隐含层可以是一层也可以是多层。ＢＰ结构示意图如图２．１，图中冬，／２，…，叉为输入层，／，…，／为出层。??
２．?２?ＢＰ神经网络的算法流程图??Ｐ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??能分析??题中有很多优点和特征，也存在一些不足缺点。??下：??明显。ＢＰ神经网络模仿人脑结构，能够程式的情况下实现从输入向量到输出向能力。ＢＰ神经网络在网络训练过程中，的训练规则，自动调节权值和阈值，以
【参考文献】：
期刊论文
[1]灰色BP神经网络组合模型在地铁沉降监测中的应用[J]. 冯子帆,成枢,邱健,荆晓宇. 四川建材. 2017(12)
[2]基于改进量子粒子群算法的电力系统经济调度仿真研究[J]. 陈功贵,黄山外,孙智,张治中,熊国江. 实验技术与管理. 2017(03)
[3]基于改进粒子群优化算法的边坡稳定性分析[J]. 孙昊,潘少华,杨善统,熊峰,郭龙骁. 水电能源科学. 2017(02)
[4]基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用[J]. 齐银峰,谭荣建. 水利水电技术. 2017(02)
[5]基于粗糙集和粒子群优化支持向量机的滑坡变形预测[J]. 赵艳南,牛瑞卿,彭令,程温鸣. 中南大学学报(自然科学版). 2015(06)
[6]改进粒子群算法优化的卫星钟差组合预报模型[J]. 刘赞,陈西宏,孙际哲,刘强,张群. 探测与控制学报. 2015(01)
[7]基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究[J]. 张俊,殷坤龙,王佳佳,黄发明. 岩石力学与工程学报. 2015(02)
[8]改进混沌粒子群的动态模糊神经网络参数优化及应用[J]. 匡芳君,张思扬,徐蔚鸿. 微电子学与计算机. 2015(01)
[9]基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究[J]. 王振树,卞绍润,刘晓宇,于凯,石云鹏. 电工技术学报. 2014(12)
[10]混沌粒子群神经网络在上证指数预测中的应用[J]. 孟栋,樊重俊,刘思. 数学理论与应用. 2014(02)
博士论文
[1]哀牢山区降雨型滑坡预警理论与方法研究[D]. 温铭生.北京交通大学 2014
[2]基于神经网络的滑坡预测及其控制研究[D]. 陈煌琼.华中科技大学 2013
[3]进化计算优化前向神经网络的学习方法研究[D]. 季伟东.东北林业大学 2013
[4]混沌粒子群优化算法及应用研究[D]. 徐文星.北京化工大学 2012
[5]粒子群优化算法的改进及应用研究[D]. 毛恒.华侨大学 2008
[6]混沌粒子群优化算法理论及应用[D]. 唐贤伦.重庆大学 2007
硕士论文
[1]改进的粒子群优化BP神经网络在大坝变形预测中的应用[D]. 杨超.东华理工大学 2016
[2]基于混沌粒子群神经网络变形预测模型的应用研究[D]. 冯康.华北水利水电大学 2016
[3]基于改进型PSO-BP神经网络算法的水环境质量评价[D]. 曹伟.昆明理工大学 2016
[4]基于改进PSO-RBF神经网络的气温预测模型[D]. 陈广.兰州大学 2015
[5]基于粒子群的粮食产量预测神经网络优化研究[D]. 李雪.浙江海洋学院 2014
[6]粒子群改进算法及在混合神经网络中的应用研究[D]. 武燕.景德镇陶瓷学院 2014
[7]基于改进粒子群算法的BP神经网络优化及应用[D]. 王耀东.西安科技大学 2012
[8]基于混合智能算法的铁路运量预测研究[D]. 陶海龙.兰州交通大学 2012
[9]粒子群算法的拓扑结构分析与研究[D]. 杨朋樽.太原理工大学 2010
[10]BP神经网络算法的改进及其在PID控制中的应用研究[D]. 史春朝.天津大学 2006
本文编号：3419087
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3419087.html
