关键词： 机器学习   滑坡   易发性制图   非滑坡样本选取   集成学习   三峡库区   工程地质  

摘要： 准确的滑坡易发性建模对预警预报和风险管控具有重要意义.针对机器学习技术建模中非滑坡样本随机选取和单个分类器存在的精度不高问题,提出了一种耦合多模型的区域滑坡易发性建模框架.以三峡库区秭归-巴东段为例,选取高程、坡度等12个因子构建评价指标体系,应用信息量法定量分析各指标对滑坡空间发育的影响程度.随机选取70%的滑坡作为训练样本,剩余的30%作为验证样本;应用逻辑回归模型(LR)制作研究区的初始易发性分区图,确定非滑坡随机采样的约束范围.随后,分别采用LR模型约束和无约束条件下随机选取的非滑坡样本,应用单个分类回归树(LR-CART和No-CART)及分类回归树-Bagging组合模型(LR-CART-Bagging和No-CART-Bagging)开展滑坡易发性建模,并应用多个指标进行精度评估.结果发现:高程和水系等是滑坡发育的主控因素;LR-CART-Bagging模型精度为0.973,高于LR-CART模型的0.889;相比于No-CART和No-CART-Bagging模型,LR-CART和LR-CART-Bagging模型精度分别提升了0.057和***模型可以有效约束非滑坡样本的选取范围,提升样本的选取质量;CART-Bagging模型综合了机器学习和集成学习的优势,预测性能更强,提出的LR-CART-Bagging模型是一种准确可靠的滑坡易发性建模方法.

关键词： 煤与瓦斯突出   烟花算法   极限学习机   数据预处理   风险预测模型  

摘要： 为提高煤与瓦斯突出预测的准确率和效率,提出了一种基于数据预处理的多策略改进烟花算法(IFWA)优化极限学习机(ELM)的煤与瓦斯突出预测模型。首先,针对于非线性多维特征数据,使用灰色关联度分析(GRA)进行特征选取,利用主成分分析(PCA)进行特征约简,将数据预处理后的数据指标作为模型的输入;其次,引入引力搜索算子和混合变异策略改进烟花算法(FWA)易陷入局部最优的问题;最后,利用IFWA对ELM的输入层到隐含层的权重和偏差进行优化,构建最优的煤与瓦斯突出风险预测模型。结果表明,IFWA-ELM模型的RMSE和R2可达0.074,0.968,与ELM、GA-ELM、PSO-ELM和FWA-ELM模型相比均有所提升,IFWA-ELM模型对煤与瓦斯突出危险等级预测的准确率可达100%,具有更好的收敛速度和预测精度。研究成果可为煤矿瓦斯突出多数据融合预测提供可靠的理论依据。

关键词： 瓦斯浓度预测   煤矿安全   SMOTER   极限学习机   回归  

摘要： 瓦斯灾害一直是制约煤矿安全生产的重要因素。准确地预测出未来一小段时间瓦斯浓度的变化趋势,能够有效避免煤矿安全事故的发生,为瓦斯灾害防治和煤矿安全生产提供参考信息。大部分时间的瓦斯浓度都处于正常的水平,造成原始的瓦斯浓度数据集分布不平衡。论文提出了一种基于SMOTER和极限学习机(ELM)的瓦斯浓度预测方法。首先通过关联性函数将数据集划分为稀有值集和常规值集,然后通过SMOTER算法生成稀有值样本来处理不平衡数据集,最后利用平衡后的数据集训练ELM瓦斯浓度预测模型。该方法通过SMOTER算法来处理回归任务的数据不平衡问题,使得训练出的瓦斯浓度预测模型在稀有值样本上也能准确地预测。通过与现有的方法进行对比实验,结果表明论文方法的预测误差更小。

关键词： 滑坡   滑坡易发性   时间顺序   训练/测试集比例   机器学习   工程地质  

摘要： 滑坡易发性预测时大多按空间随机来划分模型训练/测试数据集,但随机划分方式难免将不确定性因素引入建模中.因为理论上滑坡易发性是基于过去的滑坡来预测将来发生滑坡的空间概率,具有显著的时间顺序特征而非单纯的空间随机,可见有必要探索基于滑坡发生的时间顺序划分模型训练/测试集.以浙江文成县为例获取11类环境因子及128个时间准确的滑坡;之后将联接了环境因子的滑坡-非滑坡样本分别按照滑坡时间顺序和空间随机的原则,划分为两类不同训练/测试集;其划分比例分别设定为9∶1、8∶2、7∶3、6∶4和5∶5等以避免不同比例影响研究结果,由此得到10种组合工况下的训练/测试集;最后再训练测试支持向量机(SVM)、多层感知器(MLP)和随机森林(RF)等模型以预测滑坡易发性并分析其不确定性.结果表明:(1)训练/测试集按时间顺序划分的SVM、MLP和RF模型预测的滑坡易发性的不确定性略低于按空间随机性划分的模型,验证了按时间顺序划分的可行性;(2)训练/测试集按时间顺序划分实际上是其在空间随机划分下的一种更符合滑坡发生实际情况的“确定性”特征,当然对缺乏滑坡发生时间的数据集开展空间随机划分也是可行的.

关键词： 滑坡   滑坡位移预测   深度学习   注意力机制   权重   三峡库区   工程地质  

摘要： 现有的基于数据驱动的滑坡位移预测模型大多是基于时间序列数据的单点建模,不能考虑整个边坡的变形相关性和滑坡变形的全局建模.为了克服这一缺点,本研究提出了一种基于时空注意(spatial-temporal attention,STA)机制的深度学习模型,该模型将卷积神经网络(convolutional neural network,CNN)与长短时记忆(long short-term memory)神经网络相结合.通过CNN和卷积注意力模块提取滑坡位移的空间变形特征,利用时间注意机制和LSTM模型从外部因素的时间序列数据中捕获重要的历史信息.注意力机制输出的注意权重值可以揭示滑坡变形的时间-空间特征.以三峡库区泡桐湾滑坡为例,对该模型的性能进行了验证.结果表明,STA-CNN-LSTM模型预测的均方根误差(RMSE)和平均绝对百分比误差(MAPE)与传统灰狼算法优化的支持向量机(GWO-SVM)模型相比分别下降了9.28%和13.88%.模型因子权重计算结果表明,在监测期内随着时间的推移,降雨对泡桐湾滑坡变形的影响逐渐增加,而库水位的影响逐渐减小.

关键词： 风速预测   多步预测   信号分解   特征选择   灰狼优化算法   极限学习机  

摘要： 为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

关键词： 光伏电力系统   极限学习机   负荷预测   太阳能  

摘要： 太阳能光伏发电受多种因素影响,包括太阳辐照度和电池板温度等,当室外环境发生变化时光伏阵列无法持续性工作,导致光伏发电的能量转换效率降低,其向电网注入的负荷和电能随之减少。只有准确地对周边环境变化进行分析,才能合理利用太阳能资源,充分调动太阳能光伏发电的输出负荷,为此,研究基于极限学习机的太阳能光伏电力系统的负荷预测方法。光伏电力系统受太阳辐射影响,为对其系统负荷进行预测,通过贝塔函数建立负荷峰值模型,获取光伏电池组的辐射强度,确定太阳辐射的分布概率密度。采用概率密度构建负荷预测函数集,在寻找最优函数的基础上,定义预测函数的依赖关系。基于极限学习机关联预测函数期望值,通过最小二乘解确定预测权值,实现太阳能光伏电力系统负荷预测,完成方法设计。实验结果表明:新方法能够对并行光伏电力系统的出力值进行有效预测,平均相对误差可以控制在1%以下,具有应用价值。

关键词： 高斯核函数   极限学习机   粒子群优化算法   遗传算法   均方根误差   相关系数  

摘要： 针对极限学习机(extreme learning machine,ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine,KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm,GA)与粒子群优化(particle swarm optimization,PSO)结合的基因粒子群GAPSO对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error,RMSE)和相关系数P来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法和ELM算法的平均最大均方根误差分别降低14%、18%、28%,且P除了0.8 m/s右侧踝关节内外翻是0.79外,其余P最小是0.84,GAPSO-KELM算法进一步提高预测精度,使其为康复治疗提供更有效的算法支持。

关键词： 地铁车站   隧道   地表沉降   极限学习机   粒子群算法   预测  

摘要： 为了提高地表沉降预测的精度和速度,提出了一种改进的极限学习机模型用于预测地表沉降。引入粒子群算法优化极限学习机的权值和阈值,提高极限学习机的预测效果。以济南轨道交通4号线燕山立交桥站为例,进行模型实证分析,利用改进的极限学习机进行盾构隧道地表沉降预测,并与传统的极限学习机模型进行对比。经过粒子群算法改进的极限学习机模型MSE降低了22%,RMSE降低了28%,MAPE降低了5.3%,验证了经粒子群算法改进后的极限学习机具有较好的预测精度和预测速度。对改进的极限学习机进行了泛化能力实证,验证了该模型具有较好的泛化能力。

关键词： 大坝变形预测   极限学习机   蝙蝠算法   遗传算法  

摘要： 为提升水库大坝安全状态监测水平,针对传统大坝变形预测模型精度不足、性能不稳定的问题,提出一种基于优化蝙蝠算法改进极限学习机的大坝变形预测方法。以费县许家崖水库大坝为研究对象,采用遗传算法优化蝙蝠算法,通过优化蝙蝠算法对极限学习机随机选取的网络参数进行寻优,提升极限学习机的预测性能。结果表明:对比BA-ELM模型、GA-ELM模型,所构OBA-ELM模型预测精度和鲁棒性最高,研究结果能为水库大坝状态管理提供决策依据。