关键词： 机器学习   软件缺陷预测   软件度量   软件质量检测  

摘要： 软件测试是软件开发生命周期中最主要的阶段,它可以最大限度地减少软件的缺陷,软件缺陷预测是近几年来软件研究人员关注的一个领域。为了提高缺陷模型的准确性,本文提出使用极限学习机(extreme learning machine, ELM)算法来预测缺陷。首先,从Eclipse程序库中提取3个版本控制系统用作训练数据并做预处理;其次,使用ELM算法来训练模型;最后,使用一些指标进行性能预测。基于软件包的预测结果证明ELM适合跨版本缺陷预测。

关键词： 极限载荷   数字图像相关   激光焊接   机器学习   残余应力  

摘要： 加筋板的极限载荷是结构设计与校核中的一项重要指标，当前横向拉伸载荷作用下的研究还比较少见。为此，本文首先采用结合数字图像相关技术的拉伸试验及机器学习方法对激光焊接加筋板的极限载荷进行了系统研究，初步结果表明，机器学习方法虽然可高效预测与壳单元有限元模型吻合很好的结果，但预测结果较试验结果偏大。然后，为了探究其原因，通过考虑焊接变形、残余应力和材料性能弱化，结合试验结果并基于建立的极限载荷有限元精细分析模型，对激光焊接加筋板的失效机理进行了详细分析。研究结果表明，焊接变形和残余应力会弱化结构的承载性能，为了获得更加精确的预测结果，需在机器学习模型中考虑两者的影响。

关键词： 滑坡位移预测   人工鱼群算法   多层感知机   时间序列分解   时间卷积网络   基于图神经网络的多变量时序预测  

摘要： 我国是世界上受滑坡灾害影响最为严重的国家之一,滑坡灾害不仅对人民生命财产安全造成严重危害,而且严重阻碍了当地社会经济的健康可持续发展。因此,开展对滑坡预警尤其是对滑坡位移的高精度预测研究,对于滑坡灾害的防灾减灾具有重要的参考价值与现实意义。 本文选取我国典型黄土滑坡甘肃黑方台滑坡域为试验区,基于该区域高精度北斗/GNSS监测网络获取的长时序滑坡形变数据,首先,针对滑坡位移预测支持向量回归模型超参数难以确定的问题,构建了改进人工鱼群算法优化的支持向量回归模型,并结合多层感知机进一步提高滑坡位移预测精度;此外,在对试验区典型滑坡体位移数据进行深入数理分析基础上,确定了一种对其先分解再重组的预测策略,对重组后的不同时间分量再分别利用变分模态分解耦合长短时记忆网络、时间卷积网络、基于图神经网络的多变量时序预测集成算法进行建模,取得了相较于单一及现有改进模型更好的预测效果。本文发展的两种滑坡位移组合预测模型在滑坡位移预测研究中具有较好推广价值。论文主要创新与取得主要成果如下: (1)针对支持向量回归模型最佳超参数难以确定的问题,建立了利用群智能优化算法对支持向量回归模型超参数进行寻优的滑坡组合预测模型。具体针对现有群智能优化算法搜索能力弱、易陷入局部最优解的问题,引入差分进化算法交叉、变异操作对传统人工鱼群算法进行改进,发展了改进的人工鱼群算法,提高了模型的寻优能力;进一步将改进人工鱼群算法与支持向量回归模型进行组合,建立了基于改进人工鱼群优化支持向量回归的滑坡位移组合预测模型(OPSVR)。 (2)针对单一机器学习模型在滑坡位移预测中性能不佳的问题,提出利用神经网络模型与机器学习算法相耦合的策略,提高滑坡位移预测模型精度。具体首先利用多层感知机(MLP)对滑坡监测数据进行初步预测,得到模型的预测残差序列;进一步利用OPSVR对残差数据进行二次预测;进而建立起融合多层感知机与优化支持向量回归的滑坡位移组合预测模型(MLP-OPSVR),组合模型相较于MLP、OPSVR等模型,在试验区典型滑坡体位移实测数据中取得了更好的预测精度。 (3)针对目前对滑坡时序监测数据自身特性分析不深的问题,对试验区典型滑坡体时序监测数据从平稳性、正态性、自相关性三个方面进行了深入分析,确定了对非平稳的滑坡监测数据进行集合经验模态分解再建模预测的策略:首先,在计算分解后的时间序列样本熵值基础上,利用K-Means聚类方法将时间分量聚合为高频、中频、低频三种模态;进而对三种模态时间分量再通过对比不同预测模型预测精度的实验,最终分别确定出适合于对高、中及低频分量的预测模型。这一对滑坡监测位移“先分解再分别建模”的策略,对于其他区域滑坡灾害位移预测研究具有较好的推广应用价值。

关键词： 滑坡位移预测   最大信息系数法   长短期记忆网络   时间卷积网络   时间模式注意力模型  

摘要： 滑坡作为一种最为常见的地质灾害之一,对人民的生命财产安全造成了严重威胁。滑坡位移作为判断滑坡稳定性的重要特征,针对特定滑坡点开展滑坡位移预测研究具有重要的理论意义和实际意义。然而传统预测模型在结合气象数据方面研究较少,同时很少关注历史数据的信息挖掘和模型的记忆难度的平衡问题,以及在输入数据的特征学习和注意力模式表达方面存在不足,导致位移预测精度还有待提高。为了解决这些问题,本文以大鹏新区水头村滑坡监测点为研究对象,开展基于深度学习的滑坡位移预测方法及应用研究,具体内容如下: (1)首先对水头村滑坡的工程地质和监测内容进行分析,通过选取合适的监测点作为应用案例。同时还利用数据频率重采样、拉依达异常检测和移动平均对滑坡位移时间序列进行数据预处理,以降低位移时间序列的噪声。 (2)针对现有方法随机选择滑动窗口的局限性、对气象预报和降雨强度重视不足的问题,提出了一种融合天气预报的MIC-LSTM-Attention的多变量短期滑坡位移预测模型。首先,通过最大信息系数(Maximal Information Coefficient,MIC)为长短期记忆网络(Long Short-Term Memory,LSTM)模型选择合适的输入序列长度。其次,建立了一个并行结构的LSTM时序编码模块,分别学习融合天气预报的降雨强度以及监测多变量的时间序列信息。然后,基于注意力(Attention)机制设计了一个特定的特征融合模块来融合两个时序编码模块的特征向量。最后,利用全连接来输出最终的预测位移。通过在水头村滑坡的位移预测实验并与其他模型进行比较,该模型在RMSE、MAE、MAPE和PCCs四个评价指标上均优于其他基础模型,证明了该模型的准确性和有效性。 (3)针对传统方法在特征提取和注意力模式学习的单一化局限,提出了一个基于时间卷积网络和注意力机制(Temporal Convolutional Network and Attention,TCNA)的高效特征提取和选择时间步加权的注意力学习模块,以及基于长短期记忆网络和时域模式注意力(Long Short-Term Memory and Temporal Pattern Attention,LSTM-TPA)的针对时域特征的时间模式注意力学习模块,通过将TCNA模块和LSTM-TPA模块组合,构建了一个基于TCNA-LSTM-TPA的组合深度学习滑坡位移预测模型。该组合模型能够充分利用TCN捕捉不同时间尺度上的特征的能力,以及LSTM的长短期记忆功能,同时还可从时间维度和变量维度的角度进行注意力学习。通过在水头村的滑坡位移预测实验和对比分析,该模型取得了最好的预测准确性和预测稳定性。 (4)结合软件工程技术和预警预测技术设计与实现了滑坡监测预警和位移预测系统,通过将本文的深度学习位移预测模型和监测预警相结合,提供了滑坡监测-预警-预测为一体的滑坡防灾减灾解决方案,并对系统主要界面进行了展示。

关键词： 滑坡位移预测   机器学习   多步超前预测   事后解释   自解释  

摘要： 滑坡灾害具有事发突然、速度快、破坏力强、涉及范围广等特点,其发生往往造成大量人员伤亡和财产损失。滑坡位移预测作为高效的超前预警手段备受关注。机器学习在滑坡位移预测的表现令人满意,是目前主流的预测方法之一。然而,现有研究多集中于单时步预测,提供的可利用信息有限。此外,机器学习多为黑盒模型,无法对预测过程和预测依据提供解释说明,导致与它们相关的结果受到质疑。在此背景下,本文提出了三种预测框架,实现高精度多步超前预测的同时,能够对预测提供准确的解释分析。主要研究内容和成果如下: (1)基于自回归差分移动平均(ARIMA)和智能模型(IM)的滑坡位移多步超前预测。 框架综合ARIMA线性时序预测优势、变分模态分解(VMD)和经验小波变换(EWT)的信号分解能力以及IM的非线性特征学习能力,能够准确捕捉滑坡位移突变趋势和长期演化规律。本文以八字门滑坡为例,提出了连续和跳跃两种预测策略,并采用长短期记忆(LSTM)、双向LSTM(Bi LSTM)、门控循环单元(GRU)和人工神经网络(ANN)四种IMs进行预测。结果表明,ARIMA-IM,尤其是基于ARIMA与深度学习的预测框架在1-5步超前预测中表现出色,预测精度优于比较模型。连续型多步超前预测能够提供更多的信息,有效减小模型不稳定性造成的随机误差,更具实用性。 (2)基于自然梯度提升(NGBoost)和Shapely加法解释(SHAP)的事后解释预测。 首先采用Hodrick-Prescott(HP)滤波将累积位移分解为趋势和周期位移,其次使用双指数平滑(DES)和NGBoost对分解项进行预测,最后结合SHAP分析模型的输出依据。以八字门和白水河滑坡为例的实际应用表明,NGBoostSHAP实现了高精度点预测和高质量区间预测,能够“透明化”模型决策逻辑。结合滑坡演化机理发现,模型预测依据与实际物理常识存在一定偏差。通过摒弃错误特征并减小输入数据维度能够有效避免模型陷入局部最优解,从而优化模型。 (3)基于时间注意力机制(TAM)、图注意力网络(GAT)和长短期记忆(LSTM)的自解释预测。 完全自适应噪声集合经验模态分解(CEEMDAN)将滑坡累积位移分解成趋势项和周期项。Prophet预测趋势项,LSTM预测周期项。利用TAM和GAT使LSTM从更高维度捕捉滑坡演化规律,并对预测时空依赖性进行解释。研究案例选用白水河滑坡,并在贵州某山区滑坡扩展应用。结果表明,所提框架能够取得较好的预测效果,深度学习预测性能优于机器学习。GAT使模型能够同时捕捉滑坡时空维度变化规律,进一步提高预测性能。TAM的权重输出和图神经网络的自学习揭示了模型预测中对时间窗口不同节点信息的关注度,并以图结构的形式描述特征与位移之间的关系。 综上所述,本文提出的预测框架能够在实际应用中提供更丰富的预测信息,解决了机器学习因缺乏说服力而无法应用于最终优化场景的难题,为智能防灾提供了可靠工具。

关键词： 桥梁桩基础   麻雀搜索算法   极限学习机   桩基承载力   土体参数  

摘要： 长期荷载作用下的桩基承载力和沉降是评价桩基础工程安全的重要指标，然而，桩土之间各种影响因素存在较大的不确定性，桩周土体的力学参数直接影响着桩基础的承载性能，因此，在分析桩基承载能力和沉降中至关重要的一点是如何确定桩周土体的力学参数以准确预测桩基极限承载力。实际工程中确定桩侧岩土参数的方法都是基于现场测试和室内试验，都存在一定的局限性。鉴于此，本文基于极限学习机算法反分析确定桩侧土体的力学参数，并通过数值计算结果和实际工程监测数据对比分析，验证该方法反演的参数在桩基极限承载力上的预测表现，主要研究内容如下：　　本文首先探讨了位移反分析方法的分类和常用方法，并对桩基承载能力发挥机理及影响桩基承载能力的各种因素进行了理论分析。　　结合实际工程现场监测数据，建立基于有限元软件的单桩及土层结构模型，在同等条件下控制单一变量，通过改变模型中每个土层的参数取值，根据单桩荷载沉降关系，分析各参数对单桩承载能力的影响敏感性排名，所得结果从高到底排序为：桩侧土弹性模量9.79%、泊松比6.35%、摩擦系数4.12%、内摩擦角0.94%、粘聚力0.38%。　　将麻雀搜索算法引入极限学习机中，利用算法的全局搜索能力对极限学习机的权值和阈值进行寻优，建立基于桩侧土的弹性模量和泊松比以及内摩擦角的SSA-ELM反演模型，利用正交试验设计构造的43组弹性模量和泊松比，16组内摩擦角和与之对应的摩擦系数参数组合的学习样本，并对模型进行训练，同时，利用5组弹性模量和泊松比参数组合，2组内摩擦角参数作为测试样本验证模型精度。结果表明，该方法反演的所有参数误差均在15%以内。　　最后利用桥梁单桩工程监测沉降值反演所需要的实际力学参数，利用参数在有限元模型中的荷载沉降响应值，验证反演结果对桩基承载能力预测的准确性。结果显示：预测值与实测值之间的最大误差为7.05%，单桩竖向极限承载力为42000kN时对应的沉降位移误差为5.55%。验证了反演模型具有较高的精度，该模型可以作为反演重要土体参数并准确预测桥梁单桩竖向极限承载力中具有参考价值的方法。

关键词： 风电功率短期预测   深度极限学习机   季节性趋势分解   时间卷积网络   粒子群优化算法  

摘要： 风电短期功率预测对电力系统的安全运行意义重大,然而风力发电所伴随的随机性与不确定性为电力系统的有效调度带来了巨大挑战。风电预测的模型虽然繁多,但是传统模型受限于自身网络结构,已无法满足现实中复杂环境下的预测精度需要。 因此本项研究提出了一种高效的风力发电短期预测模型,该模型以深度极限学习机(DELM)为基础进行了深度学习的网络构建。首先针对原始风电数据中异常值以及缺失值的存在对模型预测精度可能存在影响的问题,应用了孤立森林算法对原始风电数据进行了异常值检测与剔除,使用了随机森林算法进行了对应的缺失值插补,保证了数据质量和处理的精细度;其次通过季节性趋势分解算法(STL)分解数据并采用时间卷积网络(TCN)来捕捉风力发电时间序列中的动态特征,有效解决了时间序列预测中的长期依赖问题;随后利用改进的自适应分形量子粒子群算法(AFQPSO)对DELM网络的权重参数和阈值进行了精确的优化,提高了网络的训练精度;最后使用改进后的DELM预测模型与当前主流的风力发电预测模型进行消融与对比实验,验证了整个预测模型的高精度和鲁棒性。 为了展示预测模型良好的稳健性,本文对模型进行了数据扰动试验、域适应扰动测试及模型参数扰动测试,进一步验证了模型出色的泛化能力。这些特性使得模型在实际风电调度及电力系统安全运行方面发挥了重要作用,也为相关领域提供了新的解决思路。