姚鹏远:边坡形变预测预报方法研究论文

姚鹏远:边坡形变预测预报方法研究论文

本文主要研究内容

作者姚鹏远(2019)在《边坡形变预测预报方法研究》一文中研究指出:边坡在外界作用力的影响下不断发生形变,当形变量超限时将会发生滑坡灾害。因此,对边坡的形变量进行预测预报是预防滑坡灾害的有效手段之一。本文从现有的边坡监测数据入手,着重研究了边坡形变预测预报方法,主要研究成果及创新点如下:(1)从原理、推导过程和建模步骤等方面分别研究了灰色GM(1,1)模型、灰色Verhulst模型和BP神经网络模型三种单一预测预报模型,以及灰色马尔可夫模型和灰色神经网络模型两种组合预测预报模型。之后逐一分析了以上几种模型的优缺点。(2)针对现有的灰色预测预报模型存在的建模数据不能更新导致陈旧信息影响模型精度的问题,提出基于可变长度滑动窗动态更新建模数据的灰色GM(1,1)动态模型(GDM(1,1)模型)和灰色Verhulst动态模型(GVD模型)两种改进模型,并利用新滩滑坡B3监测点的形变监测数据对两种模型进行了验证,实验结果表明,两种改进模型的拟合精度和预测精度均优于传统灰色模型,改进效果明显。为了进一步提升GVD模型的精度和对波动性数据的适应性,提出了GVD模型与马尔可夫链结合的灰色Verhulst马尔可夫动态模型(GVMD模型),并用新滩滑坡的形变监测数据验证了改进模型的有效性。(3)鉴于传统的灰色神经网络模型中的灰色模型通常采用灰色GM(1,1)模型,而以灰色Verhulst模型与BP神经网络结合的研究较少。故提出一种残差修正型灰色Verhulst神经网络(RGVNN)模型,以GVD模型代替灰色GM(1,1)模型,并用BP神经网络修正GVD模型的预测残差。采用露天矿边坡的监测数据建立RGVNN模型,并将预测结果与灰色Verhulst模型和BP神经网络的预测结果比较。结果表明,相比于灰色Verhulst模型和BP神经网络,RGVNN模型的预测平均相对误差分别降低了96.3%和76.7%。RGVNN模型的预测精度远远优于灰色Verhulst模型和BP神经网络。(4)针对灰色Verhulst神经网络(GVNN)模型的权值和阈值随机初始化造成预测精度下降的问题,提出了思维进化算法优化的辅助型灰色Verhulst神经网络(MEA-AGVNN)模型。MEA-AGVNN模型引入思维进化算法(MEA)对网络的权值和阈值进行优化,将优化后的权值及阈值作为辅助型灰色Verhulst神经网络(AGVNN)模型的初始权值和初始阈值。利用露天矿边坡形变监测数据建立MEA-AGVNN模型,并将预测结果与AGVNN模型进行对比。实验结果表明,相比于AGVNN模型,MEA-AGVNN模型的预测平均相对误差降低了46.9%。MEA-AGVNN模型的预测精度优于GVNN模型。

Abstract

bian po zai wai jie zuo yong li de ying xiang xia bu duan fa sheng xing bian ,dang xing bian liang chao xian shi jiang hui fa sheng hua po zai hai 。yin ci ,dui bian po de xing bian liang jin hang yu ce yu bao shi yu fang hua po zai hai de you xiao shou duan zhi yi 。ben wen cong xian you de bian po jian ce shu ju ru shou ,zhao chong yan jiu le bian po xing bian yu ce yu bao fang fa ,zhu yao yan jiu cheng guo ji chuang xin dian ru xia :(1)cong yuan li 、tui dao guo cheng he jian mo bu zhou deng fang mian fen bie yan jiu le hui se GM(1,1)mo xing 、hui se Verhulstmo xing he BPshen jing wang lao mo xing san chong chan yi yu ce yu bao mo xing ,yi ji hui se ma er ke fu mo xing he hui se shen jing wang lao mo xing liang chong zu ge yu ce yu bao mo xing 。zhi hou zhu yi fen xi le yi shang ji chong mo xing de you que dian 。(2)zhen dui xian you de hui se yu ce yu bao mo xing cun zai de jian mo shu ju bu neng geng xin dao zhi chen jiu xin xi ying xiang mo xing jing du de wen ti ,di chu ji yu ke bian chang du hua dong chuang dong tai geng xin jian mo shu ju de hui se GM(1,1)dong tai mo xing (GDM(1,1)mo xing )he hui se Verhulstdong tai mo xing (GVDmo xing )liang chong gai jin mo xing ,bing li yong xin tan hua po B3jian ce dian de xing bian jian ce shu ju dui liang chong mo xing jin hang le yan zheng ,shi yan jie guo biao ming ,liang chong gai jin mo xing de ni ge jing du he yu ce jing du jun you yu chuan tong hui se mo xing ,gai jin xiao guo ming xian 。wei le jin yi bu di sheng GVDmo xing de jing du he dui bo dong xing shu ju de kuo ying xing ,di chu le GVDmo xing yu ma er ke fu lian jie ge de hui se Verhulstma er ke fu dong tai mo xing (GVMDmo xing ),bing yong xin tan hua po de xing bian jian ce shu ju yan zheng le gai jin mo xing de you xiao xing 。(3)jian yu chuan tong de hui se shen jing wang lao mo xing zhong de hui se mo xing tong chang cai yong hui se GM(1,1)mo xing ,er yi hui se Verhulstmo xing yu BPshen jing wang lao jie ge de yan jiu jiao shao 。gu di chu yi chong can cha xiu zheng xing hui se Verhulstshen jing wang lao (RGVNN)mo xing ,yi GVDmo xing dai ti hui se GM(1,1)mo xing ,bing yong BPshen jing wang lao xiu zheng GVDmo xing de yu ce can cha 。cai yong lou tian kuang bian po de jian ce shu ju jian li RGVNNmo xing ,bing jiang yu ce jie guo yu hui se Verhulstmo xing he BPshen jing wang lao de yu ce jie guo bi jiao 。jie guo biao ming ,xiang bi yu hui se Verhulstmo xing he BPshen jing wang lao ,RGVNNmo xing de yu ce ping jun xiang dui wu cha fen bie jiang di le 96.3%he 76.7%。RGVNNmo xing de yu ce jing du yuan yuan you yu hui se Verhulstmo xing he BPshen jing wang lao 。(4)zhen dui hui se Verhulstshen jing wang lao (GVNN)mo xing de quan zhi he yu zhi sui ji chu shi hua zao cheng yu ce jing du xia jiang de wen ti ,di chu le sai wei jin hua suan fa you hua de fu zhu xing hui se Verhulstshen jing wang lao (MEA-AGVNN)mo xing 。MEA-AGVNNmo xing yin ru sai wei jin hua suan fa (MEA)dui wang lao de quan zhi he yu zhi jin hang you hua ,jiang you hua hou de quan zhi ji yu zhi zuo wei fu zhu xing hui se Verhulstshen jing wang lao (AGVNN)mo xing de chu shi quan zhi he chu shi yu zhi 。li yong lou tian kuang bian po xing bian jian ce shu ju jian li MEA-AGVNNmo xing ,bing jiang yu ce jie guo yu AGVNNmo xing jin hang dui bi 。shi yan jie guo biao ming ,xiang bi yu AGVNNmo xing ,MEA-AGVNNmo xing de yu ce ping jun xiang dui wu cha jiang di le 46.9%。MEA-AGVNNmo xing de yu ce jing du you yu GVNNmo xing 。

论文参考文献

  • [1].基于卷积神经网络提取冬小麦空间分布信息的方法研究[D]. 宋德娟.山东农业大学2019
  • [2].基于卷积神经网络的城市遥感影像道路分割[D]. 朱友君.电子科技大学2019
  • [3].基于卷积神经网络的荒漠化草原草种分类研究[D]. 刘浩.内蒙古农业大学2019
  • [4].基于卷积神经网络的高分辨率遥感图像分类方法研究[D]. 周瑜.重庆邮电大学2018
  • [5].全卷积神经网络地震定位方法研究[D]. 陈宇雄.中国地震局工程力学研究所2019
  • [6].基于卷积神经网络的高分辨率遥感影像机场与飞机检测[D]. 姚相坤.上海交通大学2016
  • [7].基于自编码器与卷积神经网络的遥感对象分类[D]. 周琪.武汉理工大学2018
  • [8].基于深度神经网络的面向对象遥感模式识别关键技术研究[D]. 郑振东.武汉理工大学2018
  • [9].基于深层卷积神经网络的高分辨率遥感影像船舶检测和分类[D]. 廖翔勇.浙江大学2019
  • [10].基于深度神经网络的Landsat遥感图像时序变化检测[D]. 张凯.山东师范大学2019
  • 读者推荐
  • [1].几类区间灰数多属性决策模型及其应用[D]. 席沙沙.西华师范大学2019
  • [2].几类灰色关联模型公理化定义及其应用[D]. 王慧.西华师范大学2019
  • [3].水上交通气象灾害风险评估模型的研究[D]. 李玲.湖南师范大学2019
  • [4].基于变异型集散道模型的高速公路互通式立交最小间距研究[D]. 程传乐.长安大学2019
  • [5].基于GIS的西安市分层级医疗服务设施空间布点优化研究[D]. 张慧.西北大学2019
  • [6].巴州区降雨型滑坡预警研究[D]. 王娜.电子科技大学2019
  • [7].基于BIM技术的边坡工程施工进度管理中的应用研究[D]. 邢进.长安大学2019
  • [8].基于卷积神经网络和综合指数模型的吕梁市滑坡灾害易发性评价[D]. 唐晓娜.太原理工大学2019
  • [9].地震作用下边坡渐进破坏稳定性分析[D]. 王楠.湖北工业大学2019
  • [10].基于智能算法的尾矿坝变形预测及稳定性评价研究[D]. 李丰旭.贵州大学2019
  • 论文详细介绍

    论文作者分别是来自桂林电子科技大学的姚鹏远,发表于刊物桂林电子科技大学2019-10-15论文,是一篇关于边坡论文,形变预测预报论文,灰色论文,模型论文,灰色模型论文,马尔可夫论文,神经网络论文,思维进化算法论文,桂林电子科技大学2019-10-15论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自桂林电子科技大学2019-10-15论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  

    姚鹏远:边坡形变预测预报方法研究论文
    下载Doc文档

    猜你喜欢