PSO-SVM的城市桥梁群体震害预测模型

简要介绍了城市桥梁的六种震害预测方法。在确定采用哪种方法时,要根据桥梁的结构型式、桥墩材料、墩台高度、基础类型等因素来确定。在详细介绍了回归统计法的基础上,通过实际桥梁的震害与回归统计法的预测进行比较,检验了回归统计法的可靠性。

本文根据对青岛市123座桥梁的考察结果,建立了与青岛市桥梁类型比例相当的国内243座桥梁的资料,并以此为对象阐述了城市桥梁震害预测因子法的研究过程,确定了桥梁易损性影响因素及其取值,给出了桥梁震害预测指标计算方法和各种破坏状态的划分依据等。最后将此方法运用到青岛市地震应急指挥系统中,对青岛市的123座桥梁进行了桥梁震害模拟。

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了rbf神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于pso-rbf的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于pso-rbf的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。

为了准确预测与控制工程造价水平，提出一种基于灰关联分析（gra）与粒子群优化（pso）的支持向量回归机（svr）组合预测模型。将gra提取的工程造价主要指标向量输入pso-svr模型预测造价，采用pso优化的svr模型进行工程造价预测，对比分析pso-svr模型和其他智能模型，对某一地区相同输电工程进行造价预测。结果表明：基于灰关联分析的pso-svr模型的造价预测效果更理想，预测精度更高。

现场量测获得的基坑变形资料蕴含了系统内部力学演化信息。针对基坑变形影响因素的复杂性、监测数据的高度非线性以及人工神经网络方法的过学习问题,利用粒子群(pso)算法优选最小二乘支持向量机(lssvm)参数,并结合相空间重构理论进行数据预处理,提出了一种基于pso-lssvm模型的基坑变形时间序列预测方法。利用该方法建立基坑变形预测模型应用于动态设计和信息化施工,对保证基坑安全具有重要意义。将该方法用于昆明某基坑工程的深层水平位移预测,不断利用基坑前期工况的最新实测数据建模,对后期工况变形量进行滚动预测,获得了令人满意的效果。

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于pso-lssvm模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机(lssvm)中训练。利用粒子群算法(pso)对lssvm参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于pso-lssvm模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机（lssvm）中训练。利用粒子群算法（pso）对lssvm参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。

提出一种粒子群算法优化的最小二乘支持向量机回归模型(pso-ls-svmr),以实现对公共建筑能耗的短期预测。采用某大型公共建筑物连续31期的用电量及所在地区相关天气指标的实测数据,分别运用pso-ls-svmr模型和lmbp神经网络模型对其建筑能耗进行短期预测,并对预测结果展开深入研究。研究结果表明,提出的pso-ls-svmr模型在对样本内数据和样本外数据的预测上均取得了较好效果,可以满足公共建筑能耗短期预测的实际需要,为建筑节能管理提供理论支持与决策参考。

磁悬浮开关磁阻电机(bsrm)的电感矩阵是电机建模的基础,本文提出了基于最小二乘支持向量机(ls-svm)的电机电感辨识建模方法。首先通过对bsrm电感特性的有限元分析,获得各参数对电感的影响规律,然后结合lssvm在有限样本数据下对高维非线性的逼近能力,离线建立bsrm各种运行工况下的电感模型。另外在建模中,针对ls-svm超参数选取问题,采用粒子群优化算法(pso)对其进行自动寻优,以提高电感模型精度。最后通过对比仿真研究,表明pso-ls-svm模型能够准确反映电机磁饱和下的电感特性,这为bsrm磁饱和模型的构建奠定了基础。

本文旨在探讨pso-svm方法应用于供水管网爆管故障诊断的可行性。通过管网水力计算模型参数的反演与爆管状态下的水力模拟，试验结果显示，pso-svm方法于爆管程度的判定上仍存在一定误差，不过对于爆管位置的诊断却较为精确，提示说明基于pso-svm诊断模型对管网爆管位置及爆管严重程度的诊断结果是可以作为爆管故障处理的参考指标。

针对智能建筑环境监控系统中,多个传感器独立工作可能会造成系统误判的问题,提出了一种基于粒子群优化支持向量机(pso-svm)的环境质量综合评价模型,即利用粒子群算法快速优化支持向量机的惩罚参数和核函数参数,然后采用zigbee无线传感网络采集的环境数据对pso-svm分类模型进行训练和测试。实验结果表明pso-svm分类器对环境质量判断的平均精度达到94.44%,且分类结果稳定。将这种方法应用于智能建筑环境监控系统中,可以增加系统监测数据的准确性,提高系统工作的可靠性。

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗,以已有的实测时间序列为样本,利用最小二乘支持向量机(ls-svm)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形。实例结果表明,该模型预测效果优于bp神经网络,具有所需数据少、推广能力强等优点。

地震是我国最常见的自然灾害之一,强烈的地震往往会引起震区内大量建筑物倒塌或损害。桥梁是是社会生命线工程的重要构成部分,也是地震中最容易破坏的部件。如需对震区桥梁震害损失、交通可靠性、桥梁加固优化以及救援应急决策等方面研究,需要进行桥梁震前的震害评估。传统的震前震区桥梁震害预测的方法或多或少存在主观性的因素,且存在评估结果稳定性不高的情况。借助投影寻踪模型数理统计聚类方法,构建了基于投影寻踪方法的生命线桥梁震害预测模型,结合粒子群计算机算法优化投影方向参数,将桥梁震害预测的多维评价指标投影计算成一维数值,并根据投影值的大小以及置信区间对桥梁的震害进行预测,通过两组数据实验验证模型,结果基本达到了预期,泛化能力较好。

模型预测技术在桥梁健康监测中的应用——针对钱江四桥实时健康监测系统的监测数据，采用ar模型、arma模型以及灰色系统的gm(1，1)等随机模型，进行数学建模，并对各模型进行了不同步长的预测研究。结果表明，当采用合适的数学模型参数后，预测和实际监测结果十分...

高速铁路线路修建过程中需要对线下构筑物进行沉降观测和沉降评估,由于高速铁路桥梁墩台沉降测量数据具有沉降量级较小,数值波动变化大的特性,所以单一预测模型不能很好的预测沉降量。文中结合logistic模型、gompertz模型和mmf模型的特点,应用加权几何平均法构造一个新的组合模型,使用该组合预测模型对桥梁墩台沉降进行预测,并对新模型进行精度评定。结合工程实例可得:组合预测模型拟合度高于前面三种模型,具有工程实用价值。

支持向量机svm作为机器学习方法之一,有数据分类以及数据回归两种用途,支持向量机的回归能应用于预测领域.本文应用svm方法来建立电力负荷预测模型,首先以历史负荷、天气、日期类型作输入数据,然后对数据进行归一化处理,再利用svm构建预测模型,svm在负荷预测方面具有较高的可信度与精准度.

将模糊数学理论和贝叶斯相结合,提出了一种新的结构物地震灾害预测方法,该方法可以综合考虑历史上的结构地震灾害经验及待预测结构物的具体情况,因此可以较全面的反映结构物地震灾害的实际情况,从而得出较准确的结构物地震灾害预测。

作为城市交通的咽喉,桥梁在现代化城市建设中起着不可忽视的作用。桥梁日常养护工作是否到位直接关系着交通的安全、畅通,越来越引起城市建设者的关注。本文针对目前桥梁养护中存在的不足,提出了几点建议。

针对现有电力电子电路故障状态预测技术的不足,提出将电路特征性能参数与粒子群算法(pso)优化的径向基函数(rbf)神经网络相结合,对电力电子电路进行故障状态监测预测.以电源电路中buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波电压值作为电路特征性能参数,并利用改进后的rbf神经网络实现状态预测.结果表明,利用pso改进后的rbf神经网络对电路输出平均电压和纹波电压的预测比单纯rbf神经网络预测的结果更加精准,能够跟踪电源电路状态特征性能参数的变化趋势,有效实现电力电子电路状态监测和预测.

针对建筑运行中管理粗放、使用中能源浪费的问题,提出了基于支持向量机的能耗预测与异常诊断方法,为大型公共建筑节能提供理论支撑与实现路径。由于大型公共建筑具有极大的单位面积耗能量而得到广泛的关注。本文针对大型公共建筑能耗特点,从历史能耗数据、气候因素、时间周期因素三个方面选取11个输入参数作为样本特征,构建基于支持向量机的大型公共建筑能耗预测模型,对建筑逐日能耗展开预测。在能耗预测基础上,以测试集平均相对误差与最大误差作为判定标准进行能耗异常诊断,将该方法应用于夏季空调系统能耗异常诊断中,通过能耗预测值与实际值的对比,发现了空调系统运行中存在的不合理使用现象,为建筑节能管理运行提供参考。

针对建筑运行中管理粗放、使用中能源浪费的问题,提出了基于支持向量机的能耗预测与异常诊断方法,为大型公共建筑节能提供理论支撑与实现路径。由于大型公共建筑具有极大的单位面积耗能量而得到广泛的关注。本文针对大型公共建筑能耗特点,从历史能耗数据、气候因素、时间周期因素三个方面选取11个输入参数作为样本特征,构建基于支持向量机的大型公共建筑能耗预测模型,对建筑逐日能耗展开预测。在能耗预测基础上,以测试集平均相对误差与最大误差作为判定标准进行能耗异常诊断,将该方法应用于夏季空调系统能耗异常诊断中,通过能耗预测值与实际值的对比,发现了空调系统运行中存在的不合理使用现象,为建筑节能管理运行提供参考。

岩土工程受力变形演化是一个典型的非线性问题,其演化的高度非线性和复杂性,很难用简单的力学、数学模型描述,但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通过均值聚类法确定后,所有其它参数:中心位置、形状参数、网络权值,均通过粒子群优化算法在全局空间优化确定。工程实例应用表明,该模型预测结果准确、精度高,有良好的应用前景。