CN111695487A - 一种混合智能模型的水动力型滑坡位移预测方法 - Google Patents

一种混合智能模型的水动力型滑坡位移预测方法 Download PDF

Info

Publication number
CN111695487A
CN111695487A CN202010515917.0A CN202010515917A CN111695487A CN 111695487 A CN111695487 A CN 111695487A CN 202010515917 A CN202010515917 A CN 202010515917A CN 111695487 A CN111695487 A CN 111695487A
Authority
CN
China
Prior art keywords
displacement
landslide
monitoring data
target
hydrodynamic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010515917.0A
Other languages
English (en)
Inventor
王伟
李尧
邹丽芳
周倩瑶
朱其志
孟庆祥
王如宾
王豫宛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010515917.0A priority Critical patent/CN111695487A/zh
Publication of CN111695487A publication Critical patent/CN111695487A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了滑坡位移预测技术领域的一种混合智能模型的水动力型滑坡位移预测方法，旨在解决现有技术中对滑坡位移曲线进行处理时缺乏较好办法，因而影响水动力型滑坡位移预测效果的技术问题。所述方法包括如下步骤：对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。

Description

一种混合智能模型的水动力型滑坡位移预测方法
技术领域
本发明涉及一种混合智能模型的水动力型滑坡位移预测方法，属于滑坡位移预测技术领域。
背景技术
水动力型滑坡，是指边坡在冰川融雪、降雨、水位变动、地表径流及地下水活动等水动力因素驱动下，所发生的岩土体失稳灾害。我国西南地区山体众多，降雨丰富，高山峡谷地貌较发育，岸坡层状岩体倾倒变形强烈，且建设有大型水电站，库水位落差很大，水库蓄水导致库区许多滑坡复活，安全隐患巨大，严重威胁人民群众的生命财产安全。因此，建立针对水动力型滑坡的位移预测方法以生成滑坡位移曲线，有着非常重要的现实意义。
在进行水动力型滑坡位移预测过程中，从滑坡表面的各位移监测点所采集生成的滑坡位移曲线，一般是一段非平稳的位移时间序列，直接处理相对困难。目前主流的分析处理方法，是将位移时间序列中“分解与集成”的思想运用到滑坡位移预测中。其中，移动平均法和二次移动平均法容易受现象复杂性影响；小波法在预估小波分解阶次以及确定基函数方面有一定难度，影响预测效果；经验模态分解法(empirical mode decomposition，EMD)既吸收了小波分解多变的优势，同时也避免了小波变换中需要确定阶次的困难，但是会出现模态混叠现象的问题。使用智能算法建立滑坡预测模型已经成为主流研究方向，该类预测模型可以对数据样本进行学习，提高了预测精度及泛化能力，其中人工神经网络(Artificial Neural Network，ANN)、多层前馈神经网络(back propagation，BP)等人工神经网络被广泛应用，但这类人工神经网络算法往往需要大量的样本数据，在有限的学习样本下进行精确预测存在困难，且在高维空间中容易得到局部最优。
发明内容
针对现有技术的不足，本发明的目的在于提供一种混合智能模型的水动力型滑坡位移预测方法，以解决现有技术中对滑坡位移曲线进行处理时缺乏较好办法，因而影响水动力型滑坡位移预测效果的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种混合智能模型的水动力型滑坡位移预测方法，包括如下步骤：
对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；
基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。
进一步地，所述位移时间序列的获取方法，包括：
通过目标滑坡的位移监测点获取位移监测数据；
基于连续时域的位移监测数据生成累计位移时间序列，作为目标滑坡的位移时间序列。
进一步地，所述影响因子的获取方法，包括：
通过目标滑坡的雨量监测点或/和水位监测点获取降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项；
基于连续时域的降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项，生成目标滑坡的影响因子。
进一步地，基于连续时域的降雨量监测数据所生成的目标滑坡的影响因子，包括：当周降雨量、前两周降雨量、一周最大降雨量中的至少任一项；
基于连续时域的库水位监测数据所生成的目标滑坡的影响因子，包括：库水位或/和库水位变化；
基于连续时域的地下水位监测数据所生成的目标滑坡的影响因子，包括：地下水位或/和地下水位变化。
进一步地，滑坡累计位移的预测值的求取方法，包括：
提取残余项分量作为滑坡趋势项位移，提取特征频谱分量作为滑坡波动项位移；
对滑坡趋势项位移进行拟合直至其逼近于一条直线，获取拟合函数，作为目标滑坡的趋势项位移预测值；
求取影响因子与滑坡波动项位移之间的灰色关联度，将所求取的灰色关联度与预设的关联度阈值进行比对，提取不小于关联度阈值的灰色关联度所对应的影响因子，作为滑坡波动项位移的初始影响因子；
基于预设的选取标准提取初始影响因子的主成分函数；
将主成分函数及其对应的前次滑坡波动项位移作为预建立的预测模型的输入变量，建立新的指标数据库；
基于新的指标数据库，通过预测模型求取目标滑坡的波动项位移预测值；
对趋势项位移预测值与波动项位移预测值求和，获取滑坡累计位移的预测值。
进一步地，对滑坡趋势项位移进行拟合的方法，包括：采用二次多项式。
进一步地，所述主成分函数的提取方法，包括：对初始影响因子进行KPCA处理。
进一步地，所述选取标准为累计贡献率超过95％。
进一步地，所述关联度阈值为0.5。
进一步地，所述预测模型采用PSO-LSSVM预测模型。
与现有技术相比，本发明所达到的有益效果：首先，根据EEMD原理将滑坡位移分解为趋势项位移和波动项位移，既吸收了小波分解多变的优势，同时又避免了小波变换中需要确定阶次的困难，引入白噪声避免了模态混叠现象；然后，对趋势项位移用多项式方程进行拟合预测以获取趋势项位移预测值，对波动项位移用LSSVM建模预测以获取波动项位移预测值；最后，再对趋势项位移预测值与波动项位移预测值求和，得到滑坡累计位移的预测值。在对波动项位移用LSSVM建模预测过程中，用KPCA降低了模型输入数据的维度，用PSO对预测模型进行了参数寻优。由于趋势项位移和波动项位移采用了不同的分析预测方法，提高了预测结果的稳定性和可靠性，实现了在有限的学习样本下进行精确预测，取得了良好效果。
附图说明
图1是本发明方法实施例的流程示意图；
图2是本发明方法实施例中对位移时间序列进行EEMD分解结果示意图；
图3是本发明方法实施例中滑坡趋势项位移和波动项位移拟合预测结果相对于真实值的对比示意图；
图4是本发明方法实施例中滑坡累计位移的预测值相对于真实值的对比示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明具体实施方式提供了一种混合智能模型的水动力型滑坡位移预测方法，其基本技术思路为：将智能算法最小二乘支持向量机方法(LSSVM)应用于水动力型滑坡位移预测中，并针对预测过程中的不足做了几点改进：开始预测前，先通过集合经验模态分解法将原始位移时间序列分解为趋势项和波动项，对分解后得到的趋势项位移用多项式方程进行拟合预测；波动项位移用LSSVM模型建模预测，同时用核主成分分析法降低了输入数据的维度，并用自适应粒子群法(PSO)对预测模型进行了参数寻优，最终建立位移预测的EEMD-KPCA-APSO-LSSVM耦合预测模型，将得到的趋势项和波动项相叠加即可得到滑坡位移预测值。本发明方法包括如下步骤：
S1、从滑坡表面的位移监测点获取位移监测数据，基于连续时域的位移监测数据生成累计位移时间序列，作为该滑坡的位移时间序列；通过滑坡表面的雨量监测点获取降雨量监测数据，通过滑坡土体里的水位监测点获取库水位监测数据、地下水位监测数据，基于连续时域的降雨量监测数据、库水位监测数据、地下水位监测数据生成该滑坡的影响因子。更具体地，滑坡的影响因子包括：基于连续时域的降雨量监测数据所生成当周降雨量(X1)、前两周降雨量(X2)、一周最大降雨量(X3)，基于连续时域的库水位监测数据所生成的库水位(X4)、库水位变化(X5)，基于连续时域的地下水位监测数据所生成的地下水位(X6)、地下水位变化(X7)，等等。
S2、根据集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)理论，对步骤S1中获取的位移时间序列进行EEMD分解，该位移时间序列被分解为n个特征频谱分量(IMF)和一个平稳的残余项分量r，将分解出的残余项r作为滑坡趋势项位移，将IMF分量相加作为滑坡波动项位移。
S3、采用二次多项式对滑坡趋势项位移进行拟合，直至其逼近于一条平稳增长的直线，获取拟合函数，作为滑坡的趋势项位移预测值。
S4、采用灰色关联法计算出各个影响因子与滑坡波动项位移之间的灰色关联度，将所求取的灰色关联度与预设的关联度阈值进行比对，提取不小于关联度阈值的灰色关联度所对应的影响因子，作为滑坡波动项位移的初始影响因子。该关联度阈值通常设定为0.5，即仅采用灰色关联度不小于0.5的影响因子。
S5、对步骤S4中得到的滑坡位移影响因子进行核主成分分析法(KernelPrincipal Component Analysis，KPCA)处理以提取主成分函数。
S6、基于步骤S5提取的主成分函数以及其对应的前次滑坡波动项位移作为预测模型的输入变量，建立新的指标数据库，前述预测模型采用PSO-LSSVM预测模型。
S7、基于新的指标数据库，用PSO-LSSVM预测模型预测求取滑坡波动项位移预测值。
S8、将步骤S3得到的趋势项位移预测值与步骤S8得到的波动项位移预测值相加，即可得到滑坡累计位移的预测值。
上述步骤S5中，由于各滑坡位移影响因子之间并不是相互独立的，如当周降雨量(X1)与前两周降雨量(X2)相互影响，降雨量和库水位的变动也与地下水位之间也相互影响，故为降低数据冗余度，对步骤S4得到的滑坡位移影响因子进行KPCA处理，其中KPCA核函数设置为高斯径向基核函数，核函数参数取σ＝1，得到各指标的特征值、方差贡献率以及累计贡献率，通过KPCA成分矩阵，计算得到KPCA主成分函数；主成分的选取标准为累计贡献率必须超过95％。
上述步骤S7中，LSSVM的核函数选为径向基函数RBF，将步骤S6得到的新的指标数据库作为该预测模型的输入量。
下面，结合实施例对本发明方法作进一步阐述，如图1所示，是本发明方法实施例的流程示意图，包括如下步骤：
S1、从滑坡表面的位移监测点获取累计位移时间序列，从雨量计、水位计等监测点获取各影响因子监测数据。以西南地区某典型水动力型滑坡为例，以滑坡表面位移监测点的累计位移为预测对象，取2018年1月1日至2019年8月21日以周为单位共85组累计位移数据为位移时间序列，2018年1月1日至2019年5月9日70组各类监测数据作为训练样本集，2019年5月16日至2019年8月21日15组各类监测数据作为测试样本集。
S2、根据EEMD理论，对位移时间序列进行EEMD分解。在EEMD分解中加入振幅为0.2的白噪声，集成总数N选常用值200。位移时间序列被分解为5个IMF分量和一个平稳的残余项分量r，将分离出的残余项分量作为滑坡趋势项位移，将IMF1～IMF5相加作为滑坡波动项位移，EEMD分解结果如图2所示。
S3、采用二次多项式对滑坡趋势项位移进行拟合，直至其逼近于一条平稳增长的直线，获取拟合函数，作为滑坡的趋势项位移预测值。拟合得到的函数公式为：
x(t)＝0.0027t2+5.3349t+273.2389，
式中，x(t)为拟合函数，t为时间。拟合预测结果如图3所示，上方图形为滑坡趋势项位移的预测值与真实值的拟合曲线对比，下方图形为滑坡波动项位移的预测值与真实值的拟合曲线对比，滑坡波动项位移的预测值在后续步骤S7中求取。由上方图形可以看出，该函数的精度指标R2达到1，由该拟合函数求取的趋势项位移预测值相对于真实值的绝对误差，最大仅为0.08mm，均方根误差RMSE为0.04。
S4、采用灰色关联法计算出各个影响因子与滑坡波动项位移之间的灰色关联度，将所求取的灰色关联度与预设的关联度阈值进行比对，提取不小于关联度阈值的灰色关联度所对应的影响因子，作为滑坡波动项位移的初始影响因子。影响因子灰色关联度的计算结果如表1所示，可以看出，降雨量、库水位、地下水位为影响滑坡位移的三大重要因素。由于降雨量和库水位对滑坡位移的影响存在一定滞后效应，故选取当周降雨量X1、前两周降雨量X2、一周最大降雨量X3、库水位X4、库水位变化X5、地下水位X6、地下水位变化X7共7个影响因子作为滑坡波动项位移的初始影响因子，该7个影响因子的灰色关联度均大于0.5。
表1：位移波动项影响因子灰色关联度计算表
Figure BDA0002530090330000071
S5、对7个初始影响因子分别进行KPCA处理，其中KPCA核函数设置为高斯径向基核函数，核函数参数取，得到各指标的特征值、方差贡献率以及累计贡献率，通过KPCA成分矩阵，计算得到KPCA两个主成分函数Z1、Z2，其表达式如下：
Figure BDA0002530090330000072
S6、由各个降雨量、库水位、地下水位数据代入上述主成分函数计算得到的Z1、Z2，以及其对应的前次滑坡波动项位移共计3个变量，共同作为PSO-LSSVM预测模型的输入变量，建立新的指标数据库；
S7、用PSO-LSSVM预测模型预测滑坡波动项位移，再用PSO对LSSVM的两个参数寻优时，初始种群规模为100，进化次数为500，速度更新公式中c1＝1.7，c2＝1.5，ω＝0.9。
S8、将步骤S3得到的趋势位移预测值与步骤S8得到的波动项位移预测值相加，即可得到滑坡累计位移的预测值，预测结果相对于真实值的对比结果如图4所示。
通过上述实施例的预测结果可以看出：本发明所建立的位移预测的EEMD-KPCA-PSO-LSSVM耦合预测模型，可以实现用有限的学习样本数据对滑坡位移进行准确的预测，如图4所示，滑坡预测结果的均方根误差为2.59mm，平均绝对误差为1.72mm，平均绝对百分误差为0.24％，证明了本方法的预测能力和可靠性，表明本方法适合水动力型滑坡位移的预测，具有实际工程应用价值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种混合智能模型的水动力型滑坡位移预测方法，其特征是，包括如下步骤：
对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；
基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。
2.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述位移时间序列的获取方法，包括：
通过目标滑坡的位移监测点获取位移监测数据；
基于连续时域的位移监测数据生成累计位移时间序列，作为目标滑坡的位移时间序列。
3.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述影响因子的获取方法，包括：
通过目标滑坡的雨量监测点或／和水位监测点获取降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项；
基于连续时域的降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项，生成目标滑坡的影响因子。
4.根据权利要求3所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，基于连续时域的降雨量监测数据所生成的目标滑坡的影响因子，包括：当周降雨量、前两周降雨量、一周最大降雨量中的至少任一项；
基于连续时域的库水位监测数据所生成的目标滑坡的影响因子，包括：库水位或／和库水位变化；
基于连续时域的地下水位监测数据所生成的目标滑坡的影响因子，包括：地下水位或／和地下水位变化。
5.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，滑坡累计位移的预测值的求取方法，包括：
提取残余项分量作为滑坡趋势项位移，提取特征频谱分量作为滑坡波动项位移；
对滑坡趋势项位移进行拟合直至其逼近于一条直线，获取拟合函数，作为目标滑坡的趋势项位移预测值；
求取影响因子与滑坡波动项位移之间的灰色关联度，将所求取的灰色关联度与预设的关联度阈值进行比对，提取不小于关联度阈值的灰色关联度所对应的影响因子，作为滑坡波动项位移的初始影响因子；
基于预设的选取标准提取初始影响因子的主成分函数；
将主成分函数及其对应的前次滑坡波动项位移作为预建立的预测模型的输入变量，建立新的指标数据库；
基于新的指标数据库，通过预测模型求取目标滑坡的波动项位移预测值；
对趋势项位移预测值与波动项位移预测值求和，获取滑坡累计位移的预测值。
6.根据权利要求5所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，对滑坡趋势项位移进行拟合的方法，包括：采用二次多项式。
7.根据权利要求5所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述主成分函数的提取方法，包括：对初始影响因子进行KPCA处理。
8.根据权利要求5所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述选取标准为累计贡献率超过95％。
9.根据权利要求5所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述关联度阈值为0.5。
10.根据权利要求5所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述预测模型采用PSO-LSSVM预测模型。
CN202010515917.0A 2020-06-09 2020-06-09 一种混合智能模型的水动力型滑坡位移预测方法 Pending CN111695487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010515917.0A CN111695487A (zh) 2020-06-09 2020-06-09 一种混合智能模型的水动力型滑坡位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010515917.0A CN111695487A (zh) 2020-06-09 2020-06-09 一种混合智能模型的水动力型滑坡位移预测方法

Publications (1)

Publication Number Publication Date
CN111695487A true CN111695487A (zh) 2020-09-22

Family

ID=72479908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010515917.0A Pending CN111695487A (zh) 2020-06-09 2020-06-09 一种混合智能模型的水动力型滑坡位移预测方法

Country Status (1)

Country Link
CN (1) CN111695487A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓冬梅等: "基于集合经验模态分解与支持向量机回归的位移预测方法：以三峡库区滑坡为例" *

Similar Documents

Publication Publication Date Title
Taghi Sattari et al. M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey
CN107101828A (zh) 一种编码器健康度评价的轴承剩余寿命预测方法
CN111652425B (zh) 一种基于粗糙集和长短期记忆网络的河流水质预测方法
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN111046327A (zh) 适用于低频振荡与次同步振荡辨识的Prony分析方法
Fu et al. Research on gas outburst prediction model based on multiple strategy fusion improved snake optimization algorithm with temporal convolutional network
CN106682312A (zh) 一种局部加权极限学习机模型的工业过程软测量建模方法
CN114036506A (zh) 一种基于lm-bp神经网络的检测和防御虚假数据注入攻击的方法
CN114336632A (zh) 一种基于模型信息辅助深度学习校正交流潮流的方法
CN116361624B (zh) 一种基于误差反馈的大范围地面沉降预测方法及系统
CN111695487A (zh) 一种混合智能模型的水动力型滑坡位移预测方法
Riahinia et al. A neural network-based model for wind farm output in probabilistic studies of power systems
CN110262222A (zh) 一种区间系统最优区间pid控制器参数优化方法
CN104715298A (zh) 一种基于灰色系统理论的提高采收率潜力预测方法
Cheng-Ping et al. Research on hydrology time series prediction based on grey theory and [epsilon]-support vector regression
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114066250A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
Liu et al. Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
Tang et al. Learning the deterministically constructed echo state networks
Kim et al. Analysis of groundwater level prediction performance with influencing factors by artificial neural network
CN105260943A (zh) 一种基于交互多模型算法的电力负荷在线建模方法
Li et al. EMLP: short-term gas load forecasting based on ensemble multilayer perceptron with adaptive weight correction
CN113837463B (zh) 一种基于改进随机森林的核电站系统运行趋势预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination