基于PSO/DE-ELM模型的云贵高原干旱预测

气候变化导致西南地区面临愈加严重的干旱问题,为准确预测该区域干旱情势,分别构建了粒子群算法(PSO)和差分进化算法(DE)优化的极限学习机(ELM)模型,并将其应用于云贵高原干旱预测,从预测精度和特征值模拟能力等方面比较了PSO-ELM模型和DE-ELM模型在云贵高原干旱预测中的适用性。结果表明:①PSO-ELM模型和DE-ELM模型均能够有效预测云贵高原不同时间尺度下的干旱状况,模拟值与实测值的相关系数均在0.75以上,均方根误差均小于0.65;②两种模型对最大值、最小值、不同百分位数等特征统计值、干旱历时和干旱强度的拟合效果较好,能够有效反映研究区干旱特征;③相较而言,DE-ELM模型的预测性能略优于PSO-ELM模型,在云贵高原干旱预测中具有更强的适用性。

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位,为了提高位移预测的精度,提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解,产生多个模态分量,然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型,最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例,将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较,结果表明:所用DES-PSO-ELM能够有效预测滑坡位移变化,其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm,0.0080、0.9998,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。

基于卷积神经网络的人群突散异常行为检测

为检测人群突散异常,提出一种基于卷积神经网络的人群突散异常行为检测方法。对于人群中的个体使用改进的多尺度卷积神经网络(MCNN)预测人群中每一个个体头部的坐标位置;根据提取出来的坐标点计算人群平均动能、人群密度值以及人群分布熵这3种人群运动状态特征值,以此减少计算量;将3种运动状态特征值放入基于差分进化粒子群优化的极限学习机(DE-PSO-ELM)中进行训练预测,得到人群运动状态,实现人群突散异常行为的检测。仿真结果表明,该算法对人群突散异常行为检测有较好的效果,检测准确率达到99.75%。