基于EEMD-WNN组合模型的大坝变形预报方法研究
发布时间：2021-01-11 20:20
大坝在运营过程中会发生不同程度形变,及时掌握大坝变形的演变规律并作出准确预报,对大坝安全及灾害的控制具有重要意义。目前,BP神经网络模型被广泛用于非线性、非平稳性时间序列预测,但是其存在局部极小化及收敛速度慢等问题,从而导致预测精度不高。而继BP神经网络之后的小波神经网络结合了小波时频局部分析能力和神经网络的自组织、自学习的能力,能够有效解决BP神经网络算法中易陷入局部极小化和收敛速度较慢的问题,从而大大提高了变形预测精度。另一方面,目前有许多方法只是对原始变形数据直接建立模型进行分析,当数据非平稳性较强时,很难得到令人满意的结果。因此,若能通过某种数据处理方式,充分挖掘隐含在原始序列中的特征信息,将非平稳信号转化为平稳信号,再建立预测模型,将有望提高预测精度,而集合经验模态分解法就是一种可以将非平稳信号转化为平稳信号的数据处理方法。基于上述研究,本文将集合经验模态分解法和小波神经网络相结合,对大坝变形信息进行分析及预测。首先,利用集合经验模态分解法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性。然后,为了减少建模次数,提高预测效率,采用游程判定法对波动程度相似...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
训练效果图
统计学的层面上来讲，非平稳时间序列是否变得平稳，要看检验后差分序列的自相关函数是否按照指数衰减到零。迅速衰减的序列平稳，否则即非平稳。如果该变形时间序列经过二阶差分变换后还没有达到平稳的要求，这就需要继续对原始变形时间序列进行三阶差分处理，直到该序列经差分后变得趋于平稳为止。经过对大坝变形数据进行了二次差分，发现基本趋于平稳，所以设定 ARIMA 模型参数 d=2。对于 ARIMA 模型参数 p和 q 的确定，首先借助统计学软件（SPSS）并按照上述 ARIMA(p,d,q)模型的建模步骤建立 ARIMA 模型，从低阶到高阶逐步计算法来识别模型的类型和阶数，经比较分析发现，选择 ARIMA(2，2，2)模型，拟合曲线与实际位移曲线偏离程度较小，见图 3.2，拟合效果最好。再通过图 3.3 可以知道，残差都在两条黑线里面，说明 ARIMA(2，2，2)可以作为大坝变形预测模型，模型预测值见表 3.5。
桂林理工大学硕士学位论文23图3.3残差序列图表3.5模型预测结果与实际值对比周期/d实际值/mmARIMA/mm预测值残差363.223.780.56374.174.09-0.09385.364.74-0.62395.515.62-0.49404.841.9110.78由表3.5可知，从第36期到第40期，预测误差均小于1mm，可以保证全局最优的预测精度，能较好地描述大坝变形规律。最大残差为0.78，最小残差只有0.09，相比其他模型预测精度较高，可以满足实际工程需要。3.6各模型适用性分析针对大坝变形预报问题，很多学者都作出了很多研究，并且提出了很多方法，但是没有一种方法能够达到精准预测的效果。ARIMA、多元线性归回模型和GM（1,1）模型，当时间序列较长，波动性较大的时候，预测精度较低，且ARIMA和多元线性回归模型是一种线性模型，并不能适应非线性预测的情况，而GM（1,1）模型是一种指数模型，同样也不能适应非线性预测的情况。此时出现了对高复杂的非线性系统处理较好的BP神经网络模型，但是由于BP神经网络存在易陷入局部极小值和收敛速度慢等问题，对其进行优化，则出现了小波神经网络模型，明显提高了大坝变形的预报精度。但是仍然不能达到理想的预报精度，因为大坝变形数据具有较高的非平稳性，所以本文采用
【参考文献】：
期刊论文
[1]基于MLR-WNN的大坝变形预测[J]. 杨庆,任超. 水力发电. 2018(01)
[2]基于实时跟踪的ARIMA大坝安全监控模型[J]. 黄梦婧,杨海浪,叶根苗. 中国农村水利水电. 2016(12)
[3]大坝变形的小波分析与ARMA预测模型[J]. 罗德河,郑东健. 水利水运工程学报. 2016(03)
[4]基于集合经验模态分解和支持向量机的大坝变形预测方法[J]. 卢献健,晏红波,梁月吉. 水力发电. 2016(02)
[5]基于EEMD的大坝变形多步预测方法研究[J]. 任超,梁月吉,庞光锋,蓝岚,唐利. 大地测量与地球动力学. 2015(05)
[6]基于灰色最小二乘支持向量机的大坝变形预测[J]. 任超,梁月吉,庞光锋,蓝岚. 大地测量与地球动力学. 2015(04)
[7]最优非负变权组合模型在大坝变形中的应用[J]. 任超,梁月吉,庞光锋,杨兴跃. 大地测量与地球动力学. 2014(06)
[8]基于ARIMA-BP神经网络的组合模型在地基沉降预测中的应用研究[J]. 邹进贵,肖扬宣,张士勇. 测绘通报. 2014(S2)
[9]基于EMD与GEP的滑坡变形预测模型[J]. 李潇. 大地测量与地球动力学. 2014(02)
[10]经验模式分解回顾与展望[J]. 毛玉龙,范虹. 计算机工程与科学. 2014(01)
博士论文
[1]EMD算法研究及其在信号去噪中的应用[D]. 王婷.哈尔滨工程大学 2010
硕士论文
[1]BP神经网络在大坝观测数据处理中的应用[D]. 金永强.合肥工业大学 2005
本文编号：2971417
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：49 页
【学位级别】：硕士
【部分图文】：
训练效果图
统计学的层面上来讲，非平稳时间序列是否变得平稳，要看检验后差分序列的自相关函数是否按照指数衰减到零。迅速衰减的序列平稳，否则即非平稳。如果该变形时间序列经过二阶差分变换后还没有达到平稳的要求，这就需要继续对原始变形时间序列进行三阶差分处理，直到该序列经差分后变得趋于平稳为止。经过对大坝变形数据进行了二次差分，发现基本趋于平稳，所以设定 ARIMA 模型参数 d=2。对于 ARIMA 模型参数 p和 q 的确定，首先借助统计学软件（SPSS）并按照上述 ARIMA(p,d,q)模型的建模步骤建立 ARIMA 模型，从低阶到高阶逐步计算法来识别模型的类型和阶数，经比较分析发现，选择 ARIMA(2，2，2)模型，拟合曲线与实际位移曲线偏离程度较小，见图 3.2，拟合效果最好。再通过图 3.3 可以知道，残差都在两条黑线里面，说明 ARIMA(2，2，2)可以作为大坝变形预测模型，模型预测值见表 3.5。
桂林理工大学硕士学位论文23图3.3残差序列图表3.5模型预测结果与实际值对比周期/d实际值/mmARIMA/mm预测值残差363.223.780.56374.174.09-0.09385.364.74-0.62395.515.62-0.49404.841.9110.78由表3.5可知，从第36期到第40期，预测误差均小于1mm，可以保证全局最优的预测精度，能较好地描述大坝变形规律。最大残差为0.78，最小残差只有0.09，相比其他模型预测精度较高，可以满足实际工程需要。3.6各模型适用性分析针对大坝变形预报问题，很多学者都作出了很多研究，并且提出了很多方法，但是没有一种方法能够达到精准预测的效果。ARIMA、多元线性归回模型和GM（1,1）模型，当时间序列较长，波动性较大的时候，预测精度较低，且ARIMA和多元线性回归模型是一种线性模型，并不能适应非线性预测的情况，而GM（1,1）模型是一种指数模型，同样也不能适应非线性预测的情况。此时出现了对高复杂的非线性系统处理较好的BP神经网络模型，但是由于BP神经网络存在易陷入局部极小值和收敛速度慢等问题，对其进行优化，则出现了小波神经网络模型，明显提高了大坝变形的预报精度。但是仍然不能达到理想的预报精度，因为大坝变形数据具有较高的非平稳性，所以本文采用
【参考文献】：
期刊论文
[1]基于MLR-WNN的大坝变形预测[J]. 杨庆,任超. 水力发电. 2018(01)
[2]基于实时跟踪的ARIMA大坝安全监控模型[J]. 黄梦婧,杨海浪,叶根苗. 中国农村水利水电. 2016(12)
[3]大坝变形的小波分析与ARMA预测模型[J]. 罗德河,郑东健. 水利水运工程学报. 2016(03)
[4]基于集合经验模态分解和支持向量机的大坝变形预测方法[J]. 卢献健,晏红波,梁月吉. 水力发电. 2016(02)
[5]基于EEMD的大坝变形多步预测方法研究[J]. 任超,梁月吉,庞光锋,蓝岚,唐利. 大地测量与地球动力学. 2015(05)
[6]基于灰色最小二乘支持向量机的大坝变形预测[J]. 任超,梁月吉,庞光锋,蓝岚. 大地测量与地球动力学. 2015(04)
[7]最优非负变权组合模型在大坝变形中的应用[J]. 任超,梁月吉,庞光锋,杨兴跃. 大地测量与地球动力学. 2014(06)
[8]基于ARIMA-BP神经网络的组合模型在地基沉降预测中的应用研究[J]. 邹进贵,肖扬宣,张士勇. 测绘通报. 2014(S2)
[9]基于EMD与GEP的滑坡变形预测模型[J]. 李潇. 大地测量与地球动力学. 2014(02)
[10]经验模式分解回顾与展望[J]. 毛玉龙,范虹. 计算机工程与科学. 2014(01)
博士论文
[1]EMD算法研究及其在信号去噪中的应用[D]. 王婷.哈尔滨工程大学 2010
硕士论文
[1]BP神经网络在大坝观测数据处理中的应用[D]. 金永强.合肥工业大学 2005
本文编号：2971417
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2971417.html
