一种基于机器学习的滑坡位移高精度预测方法.pdf
是你****盟主
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于机器学习的滑坡位移高精度预测方法.pdf
本发明公开了一种基于机器学习的滑坡位移高精度预测方法,针对传统乌鸦算法迭代效率差、过度拟合导致泛化精度低的问题进行了两点改进:1、乌鸦在没有领导者情况下,用乌鸦个体执行莱维飞行来取代随机搜索方式,有效地降低了乌鸦个体搜索的盲目性;2、为有效避免算法中存在的过拟合现象,针对支持向量机模型中的参数寻优问题,改变传统搜索算法中选取最优适应度值的方法,将常规支持向量机优化算法中以选取最小适应度值为原则修改为选取最优适应度值区间所对应的支持向量机最小参数值,通过基于改进的乌鸦搜索算法再对支持向量机参数进行优化。本发
一种基于多影响因子的滑坡位移动态预测方法.pdf
本发明公开了一种基于多影响因子的滑坡位移动态预测方法,具体按照以下步骤实施:步骤1、根据时间序列加法模型将滑坡累计变形位移时间曲线分解;步骤2、采用移动平均法从滑坡累计变形位移时间曲线分解中提取趋势项位移;步骤3、采用3次多项式对趋势项位移进行预测;步骤4、采用灰色关联度筛从预测趋势项位移中选出主要影响因子并将其作为深度学习LSTM神经网络模型初始输入矢量,预测滑坡周期项位移;步骤5、根据时间序列分解原理,将各位移子序列预测值叠加,得到位移的最终预测值,完成滑坡位移动态预测,解决了现有技术中存在的对于久远
一种滑坡位移预测模型的处理方法和装置.pdf
本发明提供了一种滑坡位移预测模型的处理方法和装置,通过基于变分模态分解算法对采集的滑坡位移数据和影响因素数据进行分解,避免了由于分量数目不确定造成的对分量分解过度或分解不完全的现象;并且,本发明实施例可以针对分解的每个子序列赋予实际的物理意义,将位移子序列与相关的影响因素子序进行整合,得到趋势项位移数据集、周期项位移数据集和随机项位移数据集,基于整合后的数据集对GA‑Elman模型进行训练与预测,并根据预设的评价指标和预测结果,对各个数据集对应的预测结果进行累计处理,得到累计位移预测模型,并对累计位移预测
一种具有粘滑特征滑坡的位移预测方法.pdf
本发明涉及一种具有粘滑特征滑坡的位移预测方法,包括以下步骤:步骤S1:获取待测滑坡的计算参数;步骤S2:获取待测滑坡监测点的降雨强度、持续时间、地下水位以及坡体表层的体积含水率参数;步骤S3:基于步骤S1和步骤S2获取的参数,计算在不同降雨强度下无限边坡的雨水入渗情况,以及计算湿润锋的运移深度;步骤S4:建立有效降雨量与地下水位波动关系,并计算孔隙水压力;步骤S5:根据孔隙水压力,构建无限粘塑性边坡模型,并计算滑坡位移速率。本发明能够提供具有粘滑特征滑坡的位移预测效率及质量。
一种基于深度学习LSTM网络的桥梁静态位移预测方法.pdf
本发明公开了一种基于深度学习LSTM网络的桥梁静态位移预测方法,S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,本发明涉及桥梁结构安全技术领域。该基于深度学习LSTM网络的桥梁静态位移预测方法,通过设置有存储系统和检测系统,利用数据采集模块对所需的桥梁数据进行实时的检测,并且通过模型建立单元和模块训练模块形成训练后的模型,并且对于产生的问题进行实时的检测、预测,同时配合上存储系统进行存储更新,不仅能够有效的检测出桥梁受外界因素影响产生的位移,而且可以提前告知进行问题的解决,以此提