基于PSO-SVM的大坝渗流监测时间序列非线性预报模型 Nonlinear time series prediction model for dam seepage flow based on PSO-SVM.pdfVIP

水 利 学 报 年 月 %’()( *’+,-. 第 卷 第 期 !# $ $/ $ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 文章编号： （ ） 00414$0 !# $1$$310 基于A%.!%BC 的大坝渗流监测时间序列非线性预报模型 ， 3 ! 3 姜谙男 ，梁冰 （ 辽宁工程技术大学 力学与工程科学系，辽宁 阜新 ；大连海事大学 交通工程与物流学院，辽宁 大连 ） 3 3!$ ! 33#!# 摘要：大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非 线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速 优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于 A%.1%BC 的大坝渗流监测的时 间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。 关键词：安全监测；粒子群算法；支持向量机；时间序列预测 中图分类号： 文献标识码： DB!!$ E2 - 随着水资源的开发和利用，大坝安全问题日益突出。因此，针对不同大坝的具体情况和特点，设置 相应的安全监测项目，对大坝的变形、渗流、应力应变等进行连续全面的监测，并对实测数据进行及时的 ［，］ 处理和分析是十分重要的3 ! 。运用预测模型监控大坝复杂的工作性态是保障大坝安全的有效途径。 传统的预测模型采用基于最小二乘法的逐步回归和多元回归方法，其缺点是对复杂非线性的预测数据 分析效果不理想。而基于遗传算法的神经网络虽具有强大的处理非线性数据的能力，但其神经网络结 ［ ］ 构的确定须依赖人为经验，并且容易存在过学习问题，同时，遗传算法的编程和使用也比较复杂$ F # 。 如今，支持向量机（ ）和粒子群（ ）等智能算法的出现为研究大坝渗流预报模型和算法提供了新的 %BC A%. 途径，本文在这方面进行了初步研究。 3 粒子群与支持向量机算法 # 粒子群算法 粒子群优化算法是通过对鸟群捕食行为的研究而发明的进化计算技术。它没有遗 传算法的“交叉”（ ）和“变异”（ ）操作，而是类似梯度下降算法，使各染色体向适应值最高 GH@II@JKH CLM7M8@; 的方向群游。与其它的优化算法相比，粒子群算法不仅具有全局寻优能力，而且编程简单，易于推广使 ［，］ / N 用 。 粒子群算法的基本思想是：将优化问题的每一个解称为粒子，定义一个适应值函数来衡量每个粒子 的优越程度。每个粒子根据自己和其它粒子的“飞行经验”群游从而达到从全空间搜索最优解的目的。 具体搜索过