基于EMD-RBFNN的稀土原地浸矿边坡位移预测

受温差、冰霜、扰动等因素影响,原地浸矿在线监测系统采集的数据含有大量噪声和干扰信号,利用系统自带的温度补偿模块难以达到预定数据精度,使得后续预测预警工作出现误差。为此,对原始信号进行处理,EMD分解后,IMF分量可实现自由重构,去掉高频分量,能够较好地去除环境因素对在线监测位移数据的影响,低频分量能更好地反映实际位移值。借助EMD技术的自适应分解特性,提取真实监测数据,并利用RBFNN的最佳逼近效果,建立在线监测数据EMD-RBFNN预测模型。根据某稀土矿实测地表位移数据,进行预测检验,结果表明,EMDRBFNN模型的地表位移预测数据相对误差仅0.12%,具有较好可靠性和预测精度。

基于EMD—RBFNN的原地浸矿采场滑坡预测研究

针对某离子型稀土矿山原地浸矿采场滑坡灾害频发，人员财产损失严重的现状，将经验模态分解一径向基函数神经网络方法应用于稀土矿山体滑坡预测研究，通过EMD-RBFNN预测模型的构建，运算预测性能方差并编写自动识别最佳SPREAD程序，得到最优传播解并对预测结果进行了可靠性评价。研究结果表明，26为本次预测模型的最优SPREAD值；以6号监测点为例，3～5d的表面位移预测值与实测值的误差控制在0．05mm之内；3-5d孔隙水压力预测值最大误差为3．2kPa，最大相对误差为5．4％；3～5d下段土压力预测值最大误差为1.2kPa，最大相对误差仅为4．6%。通过现场实际监测结果可知，利用EMD-RBFNN预测模型进行监测数据的处理和预测的方法科学可行，具有十分广阔的前景。

区域地下水系统复杂性测度及其对模型预测精度的影响

针对以往区域地下水研究中忽视系统复杂性,致使分析结果不合理的弊端,以Kolmogorov熵定义系统的复杂性,采用建三江分局15个农场1997-2010年逐月地下水埋深观测资料,基于遗传编程(GP)算法对各农场地下水系统复杂度进行了计算,确定了复杂性排序,复杂性分析结果显示:七星农场复杂性最强,其次为浓江农场,二道河农场复杂性最弱,且建三江分局地下水系统复杂性呈现北部偏高、中部偏低、南部居中的分区特征。同时引入EMD-RBF神经网络模型,以Kolmogorov熵计算结果为依据,进一步探讨了系统复杂性对于模型预测精度的影响,指出复杂性与模型预测精度存在相关性关系,并对地下水预测模型的研究提出了建议,指出可以将复杂度作为建模参考因子。研究结果为现有预测模型的改进以及新方法的提出提供了参考,为区域地下水资源的科学管理乃至农业的可持续发展提供了科学依据。

基于EMD方法与RBF神经网络的结构损伤检测

针对结构损伤检测中损伤的识别、定位以及程度的标定这三个独立并按一定先后顺序进行的检测过程,提出了一种能将以上三者同时进行的联合检测方法。该方法首先利用经验模态分解(EMD)方法将三层钢筋混凝土剪切型结构在各种损伤工况下的顶层地震作用加速度响应分解为若干固有模态函数(IMF)分量,然后以此IMF分量和未经EMD分解的原始加速度响应数据来构造损伤标识量,作为特征参数依次输入到径向基函数神经网络(RBFNN)中进行损伤检测。给出了应用此方法的具体步骤,通过仿真实验证明了利用该方法进行结构损伤一次检测的可行性和有效性,结果表明,由加速度响应经EMD分解而得到的IMF分量输入到RBFNN中能够更为精确地一次检测出结构所有损伤信息,并且RBFNN在结构损伤损度大时具有更好的检测效果。

基于改进EMD和RBFNN的短期风速预测模型

为提高短期风速预测精度,提出改进经验模态分解法(empirical mode decomposition,EMD)与径向基函数神经网络(radial basis function neural network,RBFNN)相结合的短期风速预测模型。首先,利用极值点对称延拓法对预处理过的风速序列进行处理,以抑制传统EMD在分解过程中所引起的边缘效应,并引用分段三次埃米特插值法解决传统EMD包络线的过冲或欠冲问题;然后,利用改进EMD将风速序列分解成各本征模态(intrinsic mode function,IMF)分量,再针对各分量分别构建各自的RBFNN模型进行预测;最后,将各分量的预测结果进行重构、叠加,得到最终的原始风速预测值。实验结果表明,改进的EMD-RBFNN预测模型能有效地提高风速预测精度,并具有一定的应用价值。

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构(PSR)、经验模态分解(EMD)和径向基神经网络(RBFNN)的冷负荷组合预测模型。该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构。该方法应用于实际冷站负荷预测后,与单一RBFNN、SVM、LSSVM及基于EMD的SVM、基于EMD的RBFNN5类方法进行比较,结果表明该方法对冷负荷预测精度有明显提高。