人工神经网络在地下水动态预测中的应用

应用人工神经网络中的BP算法,根据地下水动态的时间序列数据,建立地下水动态模型,对地下水动态进行模拟和预测,并与灰色—周期外延组合模型方法及数据处理组合方法的结果进行比较,结果表明,其预测精度较高。说明神经网络方法不仅简单、实用,又具有很强的处理地下水动态非线性及周期性变化问题的能力,可以在地下水动态等方面广泛使用。

基于时序序列分解和IBAS LSTM的滑坡数据预测模型

针对传统静态机器学习模型在周期项位移预测中的缺陷和动态神经网络超参数人工选择困难的问题,在时序序列分解的基础上,提出一种新的滑坡预测耦合模型。首先,用最大相关最小冗余算法对周期项位移筛选合适的环境特征,作为长短期记忆人工神经网络的输入。然后,在天牛须搜索算法搜索过程中引入反馈机制,以避免原算法中出现远离最优解的问题;在算法迭代过程中将固定的递减因子改为动态递减因子,以提升前期全局和后期局部的寻优能力;利用改进的天牛须搜索算法对长短期记忆人工神经网络超参数进行寻优,以获得最佳的网络参数组合。最后,重构趋势项和周期项预测结果,得到最终预测位移。以发耳滑坡为例进行分析,结果表明:相较于其他方法,所提模型在平均绝对误差、均方根误差以及拟合度等方面更具优势。

动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析

为了提高在变形监测中数据预测的精度以及它的可靠性,该文提出了基于动态灰色时序模型与神经网络组合的预测方法。根据已有的地铁沉降数据,对地铁隧道结构变形进行数据分析与预测,并与动态灰色模型、动态灰色时序模型进行精度对比。实例证明,该组合模型在地铁隧道结构变形预测中的精度较高。

岩土体变形位移等维动态实时预报模型研究

岩土体变形位移是受多种因素影响而发展演化的多维非线性动力系统,其过程既有确定性发展的趋势项,又有受不确定因素影响的随机项。根据灰色预报方法有较好的预报系统变化的总体趋势和神经网络具有逼近任意函数的能力,建立等维动态灰色-时序神经网络实时预报模型对趋势项和随机项进行预报。以基于实测资料的某铁路地基沉降预报为例,证实此模型临期预报可靠、精度高,同时中长期预报也具有参考价值;且模型原理简单,操作容易,可为岩土体变形位移控制、信息施工及修正设计方案提供参考。

测量系统不确定度分析及其动态性研究

将不确定度原理引入测量系统分析 ,并对测量系统不确定度的动态性进行探讨研究 ,提出了基于灰色模型。

基于LVQ的煤矿城市生态风险评价指标时间尺度特征

生态风险评价指标在时间尺度上的表征效果是不一致的,因而有必要基于生态风险评价指标的时间尺度特征分析,探索生态风险动态评价方法.本文以辽宁省5个典型煤矿城市为研究对象,采用学习向量量化神经网络(learning vector quantization,LVQ)定量分析生态风险评价指标的重要性,进而明晰其时间尺度特征,并提出煤矿城市风险"长期-短期"时间二维动态表征方法.结果表明:单位产值工业SO2去除量、单位产值工业粉尘去除量、城市园林绿地面积覆盖率、降水量、子系统协调度、矿业从业人数百分比、污染治理项目本年度完成投资等为长时间尺度指标,其余指标偏向反映生态风险的短期特征;长、短时间尺度指标相结合,能够反映煤矿城市两个时间维度上的生态风险动态水平.其中,阜新市现状风险值最大,抚顺市短期风险上升幅度最高,朝阳市长期风险上升幅度最高.基于LVQ的评价指标时间尺度特征分析,对于煤矿城市生态风险的动态防范与综合管理具有重要指示意义.