灌区一体化斗口闸门智能测控系统

通过设计并实现一种智慧灌区一体化斗口闸门智能测控系统,将渠道内水位、流速以及附近农田的土壤墒情和气象等数据经由智能遥测终端机采集并上报到数据中心,在数据中心的智慧灌区平台上,利用多源数据融合分析和预测模型等技术,计算实际进入农田的取水量,并与气象、水文、农作物生长等数据进行比对,提高指导和监督灌区智慧灌溉的科学性.     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

滴灌滴头水力性能预测模型

将基于改进粒子群优化最小二乘支持向量机的预测模型引入滴头水力性能预测领域,对所建立的滴头水力性能预测模型分别从理论和试验两方面进行验证。结果表明,在相同样本条件下,该模型构造速度比标准LS-SVM方法快近1个数量级,模型预测误差约为标准LS-SVM方法的50%,预测精度比常规BP模型高1个数量级。本文所建立的预测模型能较好地描述流道宽度、流道半长、流道转角和流道单元数等4个因素对滴头水力性能的影响。     

基于粒子群算法的最小二乘支持向量机参数优化——以都江堰灌区联合调度为例

针对都江堰内江缺少渠道的相关信息,无法建立准确水力学模型的问题,采用粒子群算法（PSO）优化最小二乘支持向量机（LS-SVM）参数的方法,确定流量与闸门开度之间单输入多输出的非线性关系,并以此为基础,利用决策原则及实际情况确定相应决策逻辑,建立都江堰内江联合调度模型。模型采用MATLAB和C#语言实现。分析结果表明,与其他算法相比,PSO优化LS-SVM具有一定的优越性,结果达到实际工程要求。     

基于LSSVM的短时风电功率预测

风电功率预测对于风电接入电网后上网限电有非常重要作用,同时也对风电的市场竞争力有很大的支持效应。从现阶段风电功率负荷预测的现状出发,在研究当前风速预测方法和预测效果的基础上提出用LSSVM来进行风速的预测方法,与其他几种风速预测方法的误差进行比较表明,LSSVM在预测风速方面具有一定的优越性。经过实例测算表明,效果较为理想。     

基于最小二乘支持向量回归的短期用水量预测

将最小二乘支持向量机(LSSVM)回归方法用于短期用水量的预测,对传统参数选择方法进行改进,提出通过分层交叉验证来确定最优参数,构建短期(日)用水量等维信息一步预测模型.将试验结果与季节性指数平滑法进行了比较分析,表明了该方法用于短期用水量预测的可行性和有效性.     

调水工程闸门特性的动态系统辨识

本文研究了调水工程调节闸门（阀门）特性的动态系统辨识原理及方法。提出了闸门特性动态系统辨识的数学模型,通过数学变换将阀门非线性特性数学模型转换为线性模型,然后应用最小二乘法进行系统辨识,以便克服水力测量动态误差的影响。最后利用实测数据验证所提理论和方法的可行性和实用性。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数,以及用等式约束代替不等式约束,将求解的二次规划问题转化线性方程组求解,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

最小二乘支持向量机参数反演方法及其应用

针对最小二乘支持向量机(LS-SVM)参数不易确定的问题,利用遗传神经网络模拟LS-SVM计算结果与参数之间的关系,提出了一种基于遗传神经网络(GA-BP)的参数选择方法,该方法利用正交分解法构建训练参数组,并将参数组代入最小二乘支持向量机以获得计算输出值,然后将计算输出值与训练参数组代入遗传神经网络进行训练并获得合适的LS-SVM参数。最后以土石坝渗流分析为例进行验证,结果表明该方法对优化选择最小二乘支持向量机参数十分有效,预测精度可达10-4。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。     

混凝土坝安全监控最小二乘支持向量机模型

传统的混凝土坝安全监控模型难以精确反映大坝变形的非线性变化规律,一定程度上影响模型的预测效果。基于统计学习理论的支持向量机,采用结构风险最小化准则,具有结构简单、理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。将最小二乘支持向量机应用于大坝安全监控领域,建立了混凝土坝的支持向量机监控模型。工程案例证明,该模型精度较高,具有广泛的实用性。     

灰色最小二乘支持向量机在灌溉用水量预测中的应用

根据灰色理论(grey model,GM)所需原始数据少、建模简单、运算方便等优势,以及最小二乘支持向量机(least square support vector machine,LS-SVM)所具有的泛化能力强、运算速度快、非线形拟合精度高、参数优化好、小样本等优点,建立了灰色理论和最小二乘支持向量机组合预测模型,并将此模型应用于灌区用水量预测中。预测结果与实际结果吻合良好,验证了所提出组合方法的有效性和实用性,可以作为灌溉用水量预测的有效工具。     

支持向量机在水文气象中的应用

根据1951～2004年丹江口水库流域流量资料及国家气候中心的74项大气环流与海温资料等,利用支持向量机并采用遥相关挑选因子与预报对象一一相对应的距平拟合率,建立了丹江口水库流域不同季节的流量预测模型。小样本量交叉验证和实例预报的结果表明:预测模型是具有良好的稳定性,运算速度比传统的预报方法大大加快。     

基于自适应极化分解技术的灌区麦田土壤墒情反演方法

自微波遥感进入土壤墒情研究领域以来,植被覆盖地表的校正一直是微波遥感反演土壤墒情的热点。针对植被层对雷达微波信号的散射容易造成墒情计算误差等问题,以河南焦作广利灌区为研究区,以灌区内的主要作物冬小麦为研究对象,在离散植被的一阶物理散射模型基础上,使用Sentinel-1A SAR雷达提取后向散射系数,通过自适应极化分解技术即在极小的临近空间内利用最小二乘法求解土壤散射和植被多重散射的最优解,再利用Landsat8数据作为辅助数据提取改进的归一化植被水分指数,采用支持向量机的方法反演土壤墒情。结果表明:基于自适应的后向散射系数与麦田土壤墒情的关系在VV极化模式20 cm深的土壤条件下,相关系数为0.827 8;20 cm深度的土壤墒情与冬小麦的相关性较高,相关系数达到0.819 0;自适应极化分解技术反演土壤墒情均方根误差、平均相对误差分别为1.490 7、0.002 2,水云模型反演土壤墒情均方根误差、平均相对误差分别为1.958 5、-0.242 2,自适应极化分解技术反演效果较为理想。该研究可为小麦覆盖下的灌区土壤墒情的评估提供参考。     

基于GIS的大型灌区移动智慧管理系统研发

大型灌区具有空间范围广、节点建筑物类型多、特征数据分散等特点,所涉及信息种类繁多且数据量巨大,目前常规人工巡检及测量手段已不能满足灌区信息高效管理和利用的要求。为提高灌区管理信息化水平,基于GIS技术及大数据等现代信息技术,构建了基于GIS的大型灌区移动智慧管理系统框架,并依据灌区常设监测和管理项目,对其系统模块和功能进行划分。以河南省人民胜利渠为例,研发了灌区GIS移动智慧管理系统。利用该系统可及时准确地掌握灌区各遥测站及节点建筑物各项监测指标的变化情况,为灌区水资源高效利用和现代化管理提供科学依据。     

信息量支持下SVM模型滑坡灾害易发性评价

三峡库区是我国滑坡灾害广泛发育的地区之一,滑坡灾害易发性评价对库区的防灾减灾有重要意义。在滑坡灾害易发性指标信息量的基础上,构建了信息量支持下的SVM模型,并对滑坡灾害易发性进行了评价。该模型根据地层岩性、地质构造、坡度、坡向、坡型结构、土地利用类型、水、归一化植被指数,以及上述指标的总信息量,共9类指标组成的数据集进行SVM训练,得到评价模型;运用该评价模型对研究区全区滑坡灾害易发性进行评价,并以模型决策值的零点和突变点确定易发性等级划分标准。并以三峡库区万州主城区为研究区验证模型,研究表明信息量支持下SVM模型的训练样本精度为81.41%,验证样本精度为91.11%,优于常用的信息量模型,滑坡的高易发区和较高易发区占研究区总面积的47.05%,主要集中在人类工程活动强烈的长江干支流两侧,结果与已知滑坡分布基本一致,表明该模型在研究区具备较好的适用性。     

基于改进向量机的岩体质量分级研究

以金沙江某水电站工程实例,应用交叉验证和网格搜索优化支持向量机(SVM)模型建立岩体质量分级模型,选取岩石单轴抗压强度(Rc)、岩石质量指标(RQD)、岩体风化程度、节理组数(Jn)、节理粗糙系数(Jr)、节理蚀变系数(Ja)、地下水状态7个参数作为输入参数构建立分类模型,对坝区复杂的岩体结构进行质量分级。通过与RMR(岩体地质力学分类)和BP神经网络分类法对比,表明:支持向量机具有高非线性映射能力,对岩体分类识别能力极强,具有较好的准确度和稳定性,能够满足实际的工程需要。