針對大壩監(jiān)測數(shù)據(jù)小樣本、高維度和非線性的特點,引入支持向量機（SVM）機器學習方法,采用生物地理學優(yōu)化算法（BBO）優(yōu)化其懲罰因子c和核函數(shù)參數(shù)g,建立了基于BBO-SVM的大壩變形預測模型。結(jié)合2011—2016年水口大壩4個測點共900組環(huán)境量與效應量監(jiān)測數(shù)據(jù),對模型預測性能進行了驗證,并將預測結(jié)果與SVM、PSO-SVM和ABC-SVM大壩變形預測模型進行對比。結(jié)果表明:文中提出的BBO-SVM模型不僅預測精度高,且穩(wěn)定性更好,4個測點的均方根誤差分別達到了0.332 0、0.473 5、0.405 7、0.222 8,擬合優(yōu)度分別達到了0.910 4、0.961 0、0.962 4、0.956 9。本研究可提高大壩安全監(jiān)測成果利用,對于大壩健康狀態(tài)預測評估具有一定的工程指導意義。 

【文章來源】：水利水電技術(shù). 2020,51(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

大壩環(huán)境監(jiān)測變量與效應量映射關(guān)系

每個島嶼對應各自的遷入率和遷出率,島嶼內(nèi)物種數(shù)量決定該島嶼遷入、遷出率大小。一般來說HSI高的島嶼容納的物種數(shù)量多,島嶼內(nèi)的資源競爭激烈,資源的枯竭導致島嶼不再適應生物的生存,因此該類島嶼遷入率低遷出率高;相反,低HIS的島嶼一般物種數(shù)量較少,反而能夠吸引其他島嶼物種的遷入,此類島嶼遷入率高遷出率低。遷移操作實現(xiàn)了物種之間的信息交換,擴大了BBO算法的全局尋優(yōu)范圍,從而實現(xiàn)了對最終結(jié)果的優(yōu)化。本文遷移模型選用更加契合自然規(guī)律的余弦遷移模型如圖2所示。設(shè)最大物種數(shù)Smax=n,當島嶼內(nèi)物種數(shù)為m時,該島嶼的遷入率λm、遷出率μm分別為

式中,gs為島嶼內(nèi)物種數(shù)量為s時發(fā)生突變的概率;gmax為最大突變概率;Ps為島嶼內(nèi)物種數(shù)量為s的概率;Pmax是Ps的最大值。Ps可以根據(jù)遷入率λ和遷出率μ來確定如下

【參考文獻】：
期刊論文
[1]基于系統(tǒng)生存性的骨干網(wǎng)架搜索方法[J]. 林瀟,劉洋,許立雄,馬晨霄,朱嘉遠.  電測與儀表. 2019(12)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的大壩新多測點位移模型[J]. 季威,劉曉青,林潮寧,陶園.  水利水電技術(shù). 2019(02)
[3]全國水庫大壩安全監(jiān)測現(xiàn)狀調(diào)研與對策思考[J]. 王健,王士軍.  中國水利. 2018(20)
[4]基于EEMD-BBO-ELM的短期風電功率預測方法[J]. 時彤,楊朔.  分布式能源. 2018(03)
[5]基于CS-BBO優(yōu)化SVM的汽輪機轉(zhuǎn)子故障診斷[J]. 石志標,葛春雪.  振動.測試與診斷. 2018(03)
[6]基于NMEA-BP大壩變形監(jiān)測模型研究[J]. 賈強強,蘇懷智,郭芝韻,李丹,李鵬鵬.  水利水電技術(shù). 2018(01)
[7]基于ABCA-SVM的大壩變形預警模型[J]. 錢程,李連基,周子東.  人民黃河. 2018(04)
[8]基于安全監(jiān)測信息的大壩位移時變預測模型研究[J]. 張書華,趙中華.  水力發(fā)電. 2015(04)
[9]基于改進的PSO-SVM法的大壩安全非線性預警模型研究[J]. 范振東,崔偉杰,郭芝韻,張毅.  水電能源科學. 2014(11)
[10]基于SVM理論的大壩安全預警模型研究[J]. 蘇懷智,溫志萍,吳中如.  應用基礎(chǔ)與工程科學學報. 2009(01)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的大壩安全監(jiān)控模型研究[D]. 張帆.東南大學 2016



本文編號：3521614