基于相空间重构的大坝服役性态小波支持向量机预测模型Phase space reconstruction-based wavelet support vector machine prediction model for dam service behavior
杨贝贝
摘要(Abstract)：
通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。
关键词(KeyWords)： 大坝安全;预测模型;相空间重构;小波分析;支持向量机
基金项目(Foundation): 国家自然科学基金(51579083,51479054,51139001,41323001);; 高等学校博士学科点专项科研基金资助课题(20130094110010)
作者(Author): 杨贝贝
DOI: 10.13928/j.cnki.wrahe.2016.10.018
参考文献(References)：
- [1]吴中如.水工建筑物安全监控理论及其应用[M].北京:高等教育出版社,2003.
- [2]Su Huaizhi,Wen Zhiping,Wu Zhongru.Study on an intelligent inference engine in early-warning system of dam health[J].Water Resources Management,2011,25(6):1545-1563.
- [3]崔万照,朱长纯,保文星,等.基于模糊模型支持向量机的混沌时间序列预测[J].物理学报,2005,54(7):3009-3018.
- [4]姜谙男,梁冰.基于PSO-SVM的大坝渗流监测时间序列非线性预报模型[J].水利学报,2006(3):331-335.
- [5]崔锦泰,程正兴.小波分析导论[M].西安:西安交通大学出版社,1995.
- [6]孙雅明,张智晟.相空间重构和混沌神经网络融合的短期负荷预测研究[J].中国电机工程学报,2004(1):44-48.
- [7]An X,Jiang D,Liu C,et al.Wind farm power prediction based on wavelet decomposition and chaotic time series.[J].Expert Systems with Applications,2011,38(9):11280-11285.
- [8]修春波,刘向东,张宇河.相空间重构延迟时间与嵌入维数的选择[J].北京理工大学学报,2003,23(2):219-224.
- [9]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.
- [10]Eberhart R,Kennedy J.New optimizer using particle swarmtheory[C]//Proceedings of the Sixth International Symposium on Micro Machine and Human Science.Nagoya,Japan:IEEE,1995:39-43.
- [11]杨维,李歧强.粒子群优化算法综述[J].中国工程科学,2004(5):87-94.
- [12]李超,樊重俊.基于支持向量机的混沌时间序列模型在房产价格指数预测中的应用[J].数学的实践与认识,2011,41(19):52-59.