- 在线时间
- 129 小时
- 最后登录
- 2023-8-30
- 注册时间
- 2020-11-26
- 听众数
- 3
- 收听数
- 0
- 能力
- 0 分
- 体力
- 15879 点
- 威望
- 0 点
- 阅读权限
- 255
- 积分
- 4974
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 420
- 主题
- 394
- 精华
- 0
- 分享
- 0
- 好友
- 0
TA的每日心情 | 衰 2021-3-28 15:16 |
---|
签到天数: 25 天 [LV.4]偶尔看看III
|
基于EEMD-LSTM-MLR的大坝变形组合预测模型$ G3 b- K) J, [$ c$ ?
3 z9 W; Z* `% U0 t! o& F 大坝变形监测数据序列具有非平稳非线性特征,是水压、温度和时效综合作用的结果。引入集合经验模态分解(EEMD)方法处理变形数据,得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果,对于周期性变化的低频分量,借助多元线性回归(MLR)实现其快捷且有效预测,最终通过分量重构,得到大坝变形的预测结果。通过工程实例分析,EEMD方法避免了模态混叠现象,可以得到更为合理的多尺度变形分量,LSTM和MLR分别对高、低频分量具有良好的预测能力;将分量叠加重构的最终结果分别与多种单一预测算法、基于EMD的组合算法以及传统模型等预测效果比较表明,该组合预测模型的平均绝对误差(MAE)、平均百分误差(MAPE)及均方根误差(RMSE)均低于上述对比模型,有着更高的预测精度,为大坝变形预测提供新的思路。6 S/ [8 U. { ^) M/ M" V9 E
" v% p( T. [ \* x. P5 Q. z5 p关键词:大坝变形;组合预测模型;集合经验模态分解;长短期记忆神经网络;多元线性回归
: ?4 f' J: q% g# }0 S* X4 Z; Q$ _) t* V/ q! K+ [
|
zan
|