-
公开(公告)号：CN118278077A
公开(公告)日：2024-07-02
申请号：CN202410266514.5
申请日：2024-03-08
Applicant: 南昌大学
IPC: G06F30/13 , G06F30/20 , G06F119/02 , G06F119/14
Abstract: 本发明公开一种基于多源信息真伪辨识与融合的大坝服役安全动态评估方法，包括以下步骤：(1)确定目标影响因素，构建变形指标、渗流指标和应力指标多层次评价体系。(2)确定评价指标、标准及度量方法。(3)建立大坝变形、渗流、应力监控模型。(4)采用Apriori算法剖析测点与环境量的关联性，建立基于孤立森林算法的监测时序信息有效性甄别方法。(5)采用基于AHP和熵值法的距离函数法进行赋权，并结合数据甄别结果调整权重，计算综合评价结果。本发明提供一种基于多源信息真伪辨识与融合的大坝服役安全动态评估方法，可增强测点有效数据的贡献度并消除冲突信息影响，更好暴露大坝安全隐患，以期将该方法更好地应用于大坝安全监测与评估平台。
-
公开(公告)号：CN112100711A
公开(公告)日：2020-12-18
申请号：CN202010795157.3
申请日：2020-08-10
Applicant: 南昌大学
Abstract: 本发明提供了一种基于ARIMA和PSO‑ELM的混凝土坝变形组合预报模型构建方法，针对大坝变形过程受多因素相互影响导致的高度非线性、不确定性，以及受复杂噪声污染呈现不规则混沌特性等特点，利用集合经验模态（EEMD）对位移混合模型的残差序列进行自适应的分析和处理，粒子群算法（PSO）优化ELM选择最优的输入权值矩阵和隐含层偏差，构建PSO‑ELM模型对其非线性高频感应信号进行优化，同时借助自回归积分滑动平均模型(ARIMA)对其低频趋势信号进行拟合预测，建立了一种多尺度变形优化组合预报模型。本发明所建模型相对传统模型预测精度更高,能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,能够更加清楚、全面地对大坝监测数据时间序列进行分析与判断。
-
公开(公告)号：CN112100711B
公开(公告)日：2022-11-08
申请号：CN202010795157.3
申请日：2020-08-10
Applicant: 南昌大学
Abstract: 本发明提供了一种基于ARIMA和PSO‑ELM的混凝土坝变形组合预报模型构建方法，针对大坝变形过程受多因素相互影响导致的高度非线性、不确定性，以及受复杂噪声污染呈现不规则混沌特性等特点，利用集合经验模态（EEMD）对位移混合模型的残差序列进行自适应的分析和处理，粒子群算法（PSO）优化ELM选择最优的输入权值矩阵和隐含层偏差，构建PSO‑ELM模型对其非线性高频感应信号进行优化，同时借助自回归积分滑动平均模型(ARIMA)对其低频趋势信号进行拟合预测，建立了一种多尺度变形优化组合预报模型。本发明所建模型相对传统模型预测精度更高,能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,能够更加清楚、全面地对大坝监测数据时间序列进行分析与判断。
-
Patent Agency Ranking
公开(公告)号：CN111191191B
公开(公告)日：2022-07-12
申请号：CN201911368356.X
申请日：2019-12-26
Applicant: 南昌大学
Abstract: 本发明公开了一种精准预测混凝土坝变形效应的组合模型的构建方法，具体是一种基于差分整合移动平均自回归模型(ARIMA)和粒子群优化的支持向量机模型(PSO‑SVR)的混凝土坝多尺度变形组合预报模型。利用大坝变形观测历史数据，在建立逐步回归模型的基础上，采用精准预测混凝土坝变形的组合预报模型，基于SVR模型在非线性时间序列领域中优异的处理能力，结合粒子群算法的参数寻优特长，以解决现有预报模型存在的小样本、非线性、过拟合等问题，同时也为其他水工建筑物变形预报模型的构建提供了一种便捷高效的新方法。
-
公开(公告)号：CN114595503A
公开(公告)日：2022-06-07
申请号：CN202210223496.3
申请日：2022-03-09
Applicant: 南昌大学
Abstract: 本发明公开了一种大坝原型观测数据的可靠性辨识与挖掘方法，具体是将大坝位移监测数据进行小波阈值降噪，具体降噪过程是通过对比不同小波分解层数、小波基、阈值选取准则、阈值函数的降噪效果，得到最佳的适用于静水压力大坝位移数据的小波变换阈值降噪组合方式，再根据大坝位移监测数据的序列特性选择最为合适的AR时间序列模型作为预报模型，其间也将AIC准则定阶AR模型与BIC准则定阶AR模型预报效果进行对比得到了现在具有最佳预报效果的小波变换阈值BIC准则定阶AR组合预报模型，有效解决了由于大坝监测数据含有大量白噪声，预测模型训练了过多错误信息产生过拟合问题，使得模型的预测精度大大提升。
-
公开(公告)号：CN111275255A
公开(公告)日：2020-06-12
申请号：CN202010053247.5
申请日：2020-01-17
Applicant: 南昌大学
Abstract: 本发明公开了一种混凝土坝变形监测预报模型的构建方法，具体是一种基于误差反向传播算法（BackPropagation，BP）的多层前馈型神经网络和差分整合移动平均自回归模型(ARIMA)的混凝土坝多尺度变形组合预报模型的构建方法；本发明方法利用大坝变形的历史数据，在建立逐步回归模型的基础上，利用多尺度小波分析技术对其残差序列进行分解与重构，通过BP神经网络与ARIMA模型对其所蕴含的随机信号与系统信号进行训练与预报，将残差预报项与回归模型预报值相叠加，得到一种考虑残差修正的混凝土坝变形组合预报模型，与常规预报模型相比，其预报精度有明显提高。
-
公开(公告)号：CN111259590A
公开(公告)日：2020-06-09
申请号：CN202010054570.4
申请日：2020-01-17
Applicant: 南昌大学
Abstract: 本发明公开了一种混凝土坝变形安全监控模型的构建方法，具体是利用大坝变形观测的历史数据，在建立逐步回归模型的基础上，采用具有局部优化性能和全局优化性能的混合蛙跳算法（SFLA）确定各子模型的权重系数，利用大坝原型资料的反演分析方法确定大坝的物理力学参数，建立蛙跳混合模型，进而得到一种混凝土坝变形安全监控模型。本发明方法运用混沌理论对残差进行分析和预测，并将残差预测项添加到蛙跳预测混合模型中，有效解决了常规大坝位移监控模型未考虑拟合残差的影响而出现的拟合效果好但预测结果不佳的问题。
-
公开(公告)号：CN111191191A
公开(公告)日：2020-05-22
申请号：CN201911368356.X
申请日：2019-12-26
Applicant: 南昌大学
Abstract: 本发明公开了一种精准预测混凝土坝变形效应的组合模型的构建方法，具体是一种基于差分整合移动平均自回归模型(ARIMA)和粒子群优化的支持向量机模型(PSO-SVR)的混凝土坝多尺度变形组合预报模型。利用大坝变形观测历史数据，在建立逐步回归模型的基础上，采用精准预测混凝土坝变形的组合预报模型，基于SVR模型在非线性时间序列领域中优异的处理能力，结合粒子群算法的参数寻优特长，以解决现有预报模型存在的小样本、非线性、过拟合等问题，同时也为其他水工建筑物变形预报模型的构建提供了一种便捷高效的新方法。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.024 seconds)
