论文部分内容阅读
随着社会和经济的迅速发展,近些年来,大型水工设施的建设进入攻坚阶段,为保证其运行安全,对这些设施进行变形预测成为当务之急。当然,可靠准确的监测数据是精准预测的前提,适当合理的预测方法的重要性更是不言而喻。由于大坝等水工建筑变形与多种影响因子密切相关,包括水位、时效和水压等,上述因子一般都具备着强烈的任意性和随机性,所以构建可靠有效的大坝变形预测模型是至关重要的。现如今,单一模型来预测变形监测较为常见,通常包括SVM模型、Kalman滤波模型、GM(1,1)模型等。目前,很多学者提出了各种组合模型以解决单一模型处理不同数据的局限性问题。本文通过引入BP神经网络、遗传算法(GA)、果蝇算法(FOA)、粒子群算法(PSO)以及Adaboost强预测模型等,辅之大坝变形数据,应用不同组合模型来分析预测其精度。本文的主要研究内容有:(1)分别论述了GA算法、BP神经网络和Adaboost强预测模型等相关理论。基于大坝变形量与多影响因素复杂非线性关系问题,本文建立了基于GA优化BP神经网络的Adaboost强预测模型(GA-BP-Adaboost)。和单一的BP模型、GA-BP模型进行分析比较可以看出,该模型融合了GA算法全局优化和BP神经网络的局部寻优的特点,同时Adaboost强预测器通过给弱预测器的序列赋予不同的权重,结合了多种预测序列的精度优点,达到了Adaboost强预测器“优中选优”的目的,很大程度的提高了预测精度。(2)研究了果蝇(FOA)算法和粒子群(PSO)算法的基本内容。然后根据近年出现的FOA算法,提出了FOA-BP模型,该模型选用具有较少调整参数的FOA算法来优化BP神经网络的阈值和权值,从而使BP算法陷入局部最优解的概率明显降低,从而明显改善了BP神经网络全局寻优的水平和泛化能力。经过与PSO算法和GA算法对比探究可见,FOA-BP模型具备很强的快速收敛能力和较为精确的中长期预测能力,检验论证了在大坝变形预测中,FOA-BP组合模型具有一定的可行性和有效性。(3)结合以上Adaboost强预测器和果蝇算法(FOA)的优点建立组合模型:基于果蝇算法(FOA)优化BP神经网络的Adaboost强预测模型(FOA-BP-Adaboost)。通过实例对比分析,该强预测模型很好地结合了三者的优点,在保证BP神经网络较好的快速收敛和中长期预测能力之外,还实现了“优中选优”的目的,相比GA-BP-Adaboost强预测模型等有更高的精度。