基于云模型的算法改进及其在土石坝变形分析和预测中的应用

论文摘要

大坝变形监测是其安全监测的一个重要部分,是确保大坝安全运行的重要措施,也是检验设计成果和施工质量的有效手段。大量的变形监测数据中隐含着大坝的变形规律,因此,及时准确地对大坝的变形监测资料进行分析,并建立监测模型,进行科学预报,是十分重要的。本文结合小浪底大坝沉降监测数据,应用云模型和基于云模型的两个改进算法从以下几个方面进行研究:1、详细介绍了云模型的定义和基本特征、正向云和逆向云发生器、云的不确定性推理及云变换,并结合小浪底大坝沉降监测数据实现了定性分析与定量分析之间的转换,验证了云理论的精髓——定性定量之间的不确定性转换模型。2、论述了基于云变换的监测数据拟合方法,给出了拟合方法具体的实现步骤,应用监测数据进行实例分析,将拟合结果与最小二乘分段拟合方法得到的结果进行比较,结果表明,基于云变换的拟合精度更高。3、建立了小浪底大坝沉降监测数据的普通三次指数平滑模型,针对普通指数平滑法中选择平滑系数的问题,给出了基于云逻辑推理的平滑系数确定方法,对原指数平滑模型进行改进,并应用监测数据对改进模型进行检验,结果表明改进的模型在监测数据拟合和预测方面有一定的优势。4、结合云模型和RBF神经网络各自的优势,给出了应用云模型改进RBF神经网络的具体方法,即应用云模型的三个数字特征值来确定RBF神经网络在建模时需要的部分参数。应用小浪底大坝沉降监测数据和同时期的库水位、温度、时效数据,建立了两种常用的RBF神经网络模型:①基于正交最小二乘法的RBF神经网络模型,②基于最近邻聚类算法的RBF神经网络模型;同时,应用相同的数据建立改进的RBF神经网络模型。结果表明,改进模型的拟合预测结果相对较好,同时,改进的方法考虑了样本数据中的模糊性和随机性,经过分析,发现改进的方法在精度方面仍然有较大的提高空间。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 大坝变形监测的研究目的和意义
• 1.2 大坝变形监测的研究现状和问题
• 1.2.1 研究现状
• 1.2.2 存在的问题
• 1.3 论文的主要内容及组织结构
• 第二章 云模型基本理论
• 2.1 云模型基本概念
• 2.1.1 云的基本定义
• 2.1.2 云的数字特征
• 2.1.3 云的3En规则
• 2.1.4 云的分类
• 2.2 云发生器
• 2.2.1 正向正态云发生器
• 2.2.2 X条件云和Y条件云发生器
• 2.2.3 逆向云发生器
• 2.3 云发生器的误差
• 2.3.1 随机数的产生原理
• 2.3.2 两种逆向云算法的误差比较
• 2.3.3 正态云模型的统计分析
• 2.4 基于云的不确定性推理
• 2.5 云变换
• 2.5.1 云变换的基本思想
• 2.5.2 峰值法云变换
• 2.6 本章小结
• 第三章 基于云模型的小浪底大坝沉降监测数据分析
• 3.1 小浪底大坝的工程概况
• 3.2 小浪底大坝沉降监测数据常规分析
• 3.3 现有大坝变形监测数据分析方法的不足
• 3.4 云模型的可行性
• 3.5 基于云模型的定性与定量分析
• 3.5.1 常用的定性分析方法
• 3.5.2 基于云模型的监测数据定性定量分析
• 3.6 基于云变换的监测数据拟合
• 3.6.1 拟合的基本思想
• 3.6.2 拟合方法的实现步骤
• 3.6.3 算例分析
• 3.7 本章小结
• 第四章 基于云模型的指数平滑法及其在土石坝变形分析中的应用
• 4.1 指数平滑法的基本模型
• 4.1.1 指数平滑法的基本思想
• 4.1.2 指数平滑基本模型
• 4.2 基于云模型的指数平滑法
• 4.2.1 常用的加权系数计算方法
• 4.2.2 基于云逻辑推理的指数平滑法
• 4.3 算例分析
• 4.4 本章小结
• 第五章 基于云模型的RBFNN及其在土石坝变形分析中的应用
• 5.1 RBF基本理论
• 5.2 RBF神经网络基本理论
• 5.2.1 RBF神经网络结构
• 5.2.2 RBF神经网络的映射关系
• 5.2.3 RBF神经网络的训练准则
• 5.2.4 常用学习算法
• 5.2.5 两种RBF神经网络预测模型实现方法
• 5.3 基于云模型的RBF神经网络改进模型
• 5.3.1 模型改进的基本思想
• 5.3.2 改进模型的实现方法
• 5.4 模型检验
• 5.4.1 小浪底大坝沉降变化影响因子的确定
• 5.4.2 算例分析
• 5.5 本章小结
• 结论与建议
• 论文的主要内容及结论
• 存在的问题及建议
• 参考文献
• 致谢