SVM-RBFNN组合模型在某混凝土双曲拱坝变形监测中的应用  

Application of SVM-RBFNN Model in Deformation Monitoring of Concrete Double Curvature Arch Dam

作　　者：钱程[1,2] 李连基 周子东 

机构地区：[1]河海大学水利水电学院,江苏南京210098 [2]河海大学水文水资源与水利工程科学国家重点实验室,江苏南京210098

出　　处：《水电能源科学》2015年第12期93-95,84,共4页Water Resources and Power

基　　金：江苏省杰出青年基金项目(BK2012036);高等学校博士学科点专项科研基金课题(20130094110010);国家自然科学基金项目(51179066;51139001;41323001;51079086);水利部公益性行业科研专项经费项目(201301061;201201038);国家重点实验室专项经费项目(20145027612)

摘　　要：大坝变形监测数据由于受水位、温度、时效等因素的影响,是一个非线性、非平稳的时间序列。考虑到支持向量机模型(SVM)对小样本、非线性问题有很好的预测效果,采用SVM模型刻画样本数据的趋势性信息;同时运用径向基函数神经网络(RBFNN)对残差序列进行分析和预测,并将时间序列的趋势项和误差项线性叠加,组成SVM-RBFNN组合预测模型。实例应用表明,SVM-RBFNN组合模型精度高于SVM模型,具有一定的实用性。Affected by the factors such as water level, temperature and aging, the dam deformation monitoring data is a nonlinear non-stationary time series. Considered the support vector machine （SVM） having good prediction effect for small sample nonlinear problem, SVM is used to reflect the trend of data sample. On the other hand, radial basis function （RBF） neural network is used to analyze and forecast the residual error series. Finally, the superposition of forecasting results of two models is taken as the ultimate value. Based on the measured data, the forecasting research shows that SVM-RBFNN model has a higher precision than SVM model and it has a good practicability.

关 键 词：大坝安全 变形监测 预测方法 支持向量机 神经网络 

分 类 号：TV698.1[水利工程—水利水电工程]