基于小波理论的混凝土坝变形PCA-IPSO-SVM预测模型

发布时间：2021-05-31 19:52

　　混凝土坝变形实测数据往往具有较强的非线性和不确定性。首先通过小波软阈值法对监测数据进行去噪预处理,并根据大坝变形统计模型确定变形的影响因子;然后在SVM的基础上建立变形预测模型,为提高模型的有效性,将模型的输入量进行PCA降维处理,以降低因子间的相关性,并采用IPSO算法对SVM的参数进行寻优,建立了基于PCA-IPSO-SVM的组合预测模型。最后的实例应用表明该模型所得的预测值与实测值拟合较好,并与传统的单一SVM模型和BP神经网络预测结果进行对比,结果表明本文提出的方法具有较高的精度,在处理类似问题上具有较强的优势,为混凝土坝变形预测提供了一种新思路。 

【文章来源】：中国农村水利水电. 2020,(07)北大核心

【文章页数】：6 页

【部分图文】：

建模流程图

某水电站由拦河大坝、坝后溢流式厂房、埋设于坝内的输水系统、泄水底孔及过木筏等组成,大坝类型为混凝土重力坝,坝顶高程280 m,最大坝高78 m,坝顶全长253 m,本文为分析其位移变化情况,选取该坝的9号坝段引张线测点EX7自2012年12月6日至2013年12月26日的监测数据为样本,样本实测位移和上游水位过程线如图2所示,其中以2012年12月6日至2013年12月6日的数据为训练集,以2013年12月7日至2013年12月26日的数据为测试集。2.1 数据预处理

小波分解过程线

【参考文献】：
期刊论文
[1]小波阈值降噪算法在光电探测器信号处理中的应用[J]. 吴艳,张蓉竹.  光子学报. 2019(10)
[2]基于改进小波阈值- EMD算法的高拱坝结构振动响应分析[J]. 魏博文,钟紫蒙.  水利水运工程学报. 2019(04)
[3]基于主成分分析和聚类分析的红河州植烟土壤特性研究[J]. 唐佐芯,李天壁,陈泽斌,李银花,杨启凡,陈丽娟,任禛,王彬彬,付亚丽,王坤,夏体渊.  西南农业学报. 2019(07)
[4]基于AdaBoost-SVM的混凝土坝变形预测模型[J]. 赵二峰,尹文中,高嵩,汪程,陈悦,杨群.  南水北调与水利科技. 2019(05)
[5]因子分析综合评价应该注意的问题[J]. 林海明,刘照德,詹秋泉.  数理统计与管理. 2019(06)
[6]基于SVM的混凝土坝变形监控模型预测能力实例分析[J]. 钱秋培,崔伟杰,包腾飞,李慧.  长江科学院院报. 2018(08)
[7]基于PSO的SVM-ARIMA大坝安全监控模型[J]. 黄梦婧,杨海浪.  人民黄河. 2018(08)
[8]基于PCA-RBF神经网络的混凝土坝位移趋势性预测模型[J]. 陈斯煜,戴波,林潮宁,曹文翰.  水利水电技术. 2018(04)
[9]改进的PSO-SVM模型在大坝变形预测中的应用[J]. 徐朗,蔡德所.  中国农村水利水电. 2018(03)
[10]基于改进PSO-ELM算法的混凝土坝变形非线性监控模型[J]. 张海龙,范振东.  水电能源科学. 2018(01)



本文编号：3208872