›› 2006, Vol. 27 ›› Issue (S2): 548-552.
闫 滨1,2 ,高真伟3
YAN Bin1, 2,GAO Zhen-wei3
摘要: 将粒子群算法(PSO)引入大坝监测领域,提出一种基于粒子群神经网络(PSONN)的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群(SPSONN)、整体粒子群(WPSONN)、逐一BP(SBPNN)及整体BP(WBPNN)4种预报模型的对比分析表明:逐一预报模型(SPSONN和SBPNN)的预报精度明显高于对应的整体预报模型(WPSONN和WBPNN)的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。
中图分类号:
[1] | 王洪波,张庆松,刘人太,李术才,张乐文,郑 卓,张连震. 基于压水试验的地层渗流场反分析[J]. , 2018, 39(3): 985-992. |
[2] | 胡 军,董建华 ,王凯凯 ,黄贵臣,. 边坡稳定性的CPSO-BP模型研究[J]. , 2016, 37(S1): 577-582. |
[3] | 王开禾,罗先启,沈 辉,张海涛. 围岩力学参数反演的GSA-BP神经网络模型及应用[J]. , 2016, 37(S1): 631-638. |
[4] | 郭庆彪 ,郭广礼 ,吕 鑫 ,陈 涛 ,王金涛,. 山区谷底沉陷预测模型及其参数反演[J]. , 2016, 37(5): 1351-1356. |
[5] | 宋盛渊,王 清,陈剑平,李严严,史明远. 岩体结构面的多参数优势分组方法研究[J]. , 2015, 36(7): 2041-2048. |
[6] | 张 研 ,苏国韶 ,燕柳斌 . 隧洞围岩损失位移估计的智能优化反分析[J]. , 2013, 34(5): 1383-1390. |
[7] | 左育龙 ,朱合华 ,李晓军 . 岩土工程可靠度分析的神经网络四阶矩法[J]. , 2013, 34(2): 513-518. |
[8] | 陈昌富,唐仁华,梁冠亭. 基于混合粒子群算法和能量法主动土压力计算[J]. , 2012, 33(6): 1845-1850. |
[9] | 贾善坡 ,伍国军 ,陈卫忠. 基于粒子群算法与混合罚函数法的有限元优化反演模型及应用[J]. , 2011, 32(S2): 598-603. |
[10] | 周 喻 ,吴顺川 ,焦建津 ,张晓平 . 基于BP神经网络的岩土体细观力学参数研究[J]. , 2011, 32(12): 3821-3826. |
[11] | 涂 帆,崔广强,林从谋,肖朝昀. 垃圾填埋场稳定影响因素敏感性神经网络分析[J]. , 2010, 31(4): 1168-1172. |
[12] | 许尚杰,党发宁,高闯洲,党维维. 吸力内摩擦角的确定方法研究[J]. , 2009, 30(S2): 22-27. |
[13] | 邬 凯,盛 谦,梅松华,李 佳. PSO-LSSVM模型在位移反分析中的应用[J]. , 2009, 30(4): 1109-1114. |
[14] | 马文涛. 基于PSO和LSSVM的边坡稳定性评价方法[J]. , 2009, 30(3): 845-848. |
[15] | 温 森,赵延喜,杨圣奇. 基于Monte Carlo-BP神经网络TBM掘进速度预测[J]. , 2009, 30(10): 3127-3132. |
|