基于STL-Holt-WOA-RF的拱坝位移预测模型

传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。

基于BP网络的无林地立地质量评价模型研究

以薄山林场大岭林区马尾松Masson pine人工林为研究对象,在用单形地位指数BP模型确定本试验区的马尾松人工林地位指数模型的基础上,再次运用BP神经网络建模技术构建立地因子与地位指数关系的模型,以对无林地立地质量进行评价,结果反映所建的BP神经网络模型能较好地对无林地的立地质量进行评价。与R ichards生长函数的比较结果表明,R ichards生长函数的平均拟合精度为95.19%,平均预测精度为94.32%;BP模型的平均拟合精度为95.66%,平均预测精度为96.02%。与多元回归模型的比较结果表明,多元回归模型的平均预测精度为73.47%,BP模型的平均预测精度为86.06%。