高边坡变形非线性时变统计模型研究

基于高边坡长期变形监测资料,深入分析了边坡变形的影响因素,建立边坡非线形时变统计监控模型,并将模型应用于锦屏一级水电站边坡工程。通过典型测点长期监测资料的分析,确定时效和降雨是影响边坡变形的2个主要因素,并给出了各自的表述形式,在Matlab平台上,采用非线性回归方法得到边坡非线性时变统计模型的参数。在此基础上,根据边坡变形拟合残差时序,采用ARMA模型方法进行拟合和预测,对边坡非线性时变模型的拟合和预测进行修正。结果表明,模型能较好地描述高边坡的变形特征,并且具有很好的拟合和预测精度。

基于RBF神经网络优化的混沌时间序列预测

以神经网络和相空间重构相关理论为基础,提出一种基于差分进化(DE)优化径向基函数(RBP)神经网络的改进混沌时间序列预测算法。利用DE的全局搜索能力优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以此获得最优的网络预测模型。将该预测算法应用于3种典型的非线性系统进行有效性验证,并与RBF神经网络预测模型的预测结果进行比较。仿真结果表明,改进算法的泛化能力优于RBF网络,同时可提高网络的预测精度。

基于微分进化免疫的RBF网络学习算法研究

该文提出一种微分进化算法与免疫算法相结合的方法,将该方法用于优化RBF网络隐节点参数,以改进RBF网络的性能,仿真结果表明收敛速度较快,训练精度较高,有效地改进网络的泛化能力.

改进的边坡变形非线性时变系统的不确定性分析

大地测量数据往往包含许多不确定性,可能导致所建立的函数模型产生病态,影响参数估计的准确性和可靠性。通过研究边坡变形非线性时变系统的力学原理,利用多项式拟合方法改进原模型,在参数解算过程中,考虑到测量数据的不确定性给解算结果带来消极影响,通过限制不确定度,利用min-max准则,提高参数解算的准确性,并将预测变形结果与实测边坡位移数据对比。结果表明,带不确定性的平差算法(leastsquare with uncertainty,ULS)与最小二乘平差(least-squares,LS)和整体最小二乘平差(total least-square,TLS)相比,其预测结果更接近实际测量数据,证明了改进的边坡变形非线性时变系统预测变形的有效性。