黄河小浪底水利枢纽大坝变形预测方法研究与分析
|
摘要
论文根据小浪底水利枢纽大坝的变形监测数据,应用支持向量机建立大坝变形预测模型。当监测数据充分时,利用主成分分析对支持向量机的自变量进行重构,在数据缺失时,利用概率主成分进行识别,提高了拟合和预测精度。并将相关系数引入到大坝位移最优影响因子的选定中,确定了影响因子的相关系数,得出不同影响因子的重要度信息,结果表明Pearson相关系数和支持向量机的结合可以获得较好的效果。还通过灰色关联分析选定大坝变形影响因子的主元素,作为支持向量机的输入向量,进行了模拟预测,结果优于一般方法。
最后从影响GM(1,1)模型与SVM模型的因素出发,分别对GM(1,1)模型进行改进并对SVM模型的输入数据进行处理,同时利用权值对两者进行组合形成变异时序GM-SVM模型。经过实测数据检验,通过变异时间序列回归所建立的GM-SVM模型具有较高的模拟及预测精度。
According to the deformation monitoring data of Xiaolangdi water hydropower dam, this paper builds a dam deformation forecasting model by applying support vector machine (SVM). When the monitoring data is sufficient, the independent variable of SVM is restructured by using principal component analysis (PCA). When the data is lost, probability principal component analysis (PPCA) is used to recognition, in order to improve the fitting and forecast precision. Meanwhile, correlative coefficient is introduced into the selection of optimal influenced factor about the dam displacement, determining the correlative coefficients of influence factor, and the important information of different factors is obtained. The results show that the combination of the Pearson correlative coefficient and the SVM can obtain better effect. And by gray relational analysis, I select the main factor of dam deformation influence factors, which is used as input vector of SVM, making the simulation forecasting. Then the result is better than usual method.
Finally, based on factors that influence GM(1,1) and SVM, the GM(1,1) model is improved and the input data of SVM model is processed. Meanwhile, the two models are combined by using weights to form GM(1,1) model of time sequence variation regression. According to the actual measured data, the GM-SVM model built by time sequence variation regression has higher accuracy of simulation and prediction.
最后从影响GM(1,1)模型与SVM模型的因素出发,分别对GM(1,1)模型进行改进并对SVM模型的输入数据进行处理,同时利用权值对两者进行组合形成变异时序GM-SVM模型。经过实测数据检验,通过变异时间序列回归所建立的GM-SVM模型具有较高的模拟及预测精度。
According to the deformation monitoring data of Xiaolangdi water hydropower dam, this paper builds a dam deformation forecasting model by applying support vector machine (SVM). When the monitoring data is sufficient, the independent variable of SVM is restructured by using principal component analysis (PCA). When the data is lost, probability principal component analysis (PPCA) is used to recognition, in order to improve the fitting and forecast precision. Meanwhile, correlative coefficient is introduced into the selection of optimal influenced factor about the dam displacement, determining the correlative coefficients of influence factor, and the important information of different factors is obtained. The results show that the combination of the Pearson correlative coefficient and the SVM can obtain better effect. And by gray relational analysis, I select the main factor of dam deformation influence factors, which is used as input vector of SVM, making the simulation forecasting. Then the result is better than usual method.
Finally, based on factors that influence GM(1,1) and SVM, the GM(1,1) model is improved and the input data of SVM model is processed. Meanwhile, the two models are combined by using weights to form GM(1,1) model of time sequence variation regression. According to the actual measured data, the GM-SVM model built by time sequence variation regression has higher accuracy of simulation and prediction.
引文
1. 杨杰,吴中如.大坝安全监控的国内外研究现状与发展.西安理工大学学报,2002,18(1)：26-29
2. 黄声享,尹晖,蒋征.变形监测数据处理[M].武汉,武汉大学出版社,2003：1-2
3. 陈永奇,吴子安,吴中如.变形监测分析与预报[M].北京,测绘出版社,1998
4. 张小红,李征航,李振洪.隔河岩大坝外观变形GPS自动化监测系统的灵敏度分析.测绘通报,2000,11：10-12
5. Tonini D.Observed behavior of several leakier arch dams[J].Proe.ASCE, Journal of the Power Division,1956, 82(12)
6. Roeha M.A quantitative method for the interpretation of the observation of dams [C].VI Congress on Large Dams, Reporton Question 21 New York,1958
7. XerezA., Lamas, J.F.Methods of analysis of arch dam behavior[C]. VI Congress on Large Dams, R.39, Q.21, NewYork,1958
8. Silveria A., F.Pedro, Jose.Quantitativ einterpretation of the results of the observation of concrete dams[C].8th.ICOLD Congress, Q.29, R.43,1964, Edinburgh
9. 赵斌.大坝安全监控正反分析的新模型和新方法[D].南京：河海大学,1998
10.中村庆一,饭田隆一.实测资料变形举动解析[J].土术技术资料,1963(5)
11. Widmann R. Evaluarion of deformation measurements performed at concrete dam[C],Commission Internationals of Grands Banrages,1967
12. Willm G, Beaujoint N:9th Congress ICOLD, R.3O, Q.34, Istanbul.
13. Marazio P. Behavior of Enel's large dams[R].Enel's report, Roma,1980
14. Bonaldi P., Fanelli M.Giusepptti G.Automatic observation and instantaneous control of dam safety [J].ISMES, 1980
15. Pedro J.,O.Stress evaluation inconcrete dams,the example of verosa dam[C],International conference on safety of dams,Coimbra,1984
16. Gueds Q.M., Coelho P.S. Statistical behavior model of dams[C].15th ICOLD congress,1985,Q.56,R.16,Lausanne
17. Lue E.Chouinard et al.Statistical analysis in real time of monitoring data for idukki arch dam[C].2nd International conference on dam safety evaluation,Trivandrum,India.1996:381-385
18. Faneli M.Automatic observation for dam safety[J].International water Power&Dam Construetion.NoV, Dec,1997
19. Drezet P M L,Harrison R F.Support vector machines for system identification.Proc of UKACC international conference oncontrol,Swansea,UK.1998,1:688-692.
20.陈久宇,林见.观测数据的处理方法[M].上海交通大学出版社,1987
21.吴中如.混凝土坝观测物理量的数学模型及其应用[J].华东水利学院学报,1984(3)：20-25
22.吴中如.论混凝土坝安全监控的确定性模型和混合模型[J].水利学报,1989(5)：64-70
23邓聚龙.灰色预测和决策[M],武汉：华中理工大学出版社,1986
24.熊支荣李珍照.灰色系统理论在大坝观测资料分析中的应用.水利水电技术,1991(1)：46-51
25.齐长鑫,汪树玉.灰色系统模型在坝基位移预测中的应用[J].水利学报,1996(9)：49-52
26.何勇兵.多变量灰色预测模型在大坝安全监测中的应用[D].杭州：浙江大学,2003
27.任权.大坝变形观测[M].南京：河海大学出版社,1989
28.李珍照,张淑丽.大坝观测数据的模糊分析[J].大坝观测与土工测试,1992(1)：1-8
29.金永强.BP神经网络在大坝观测数据处理中的应用[D].合肥：合肥工业大学,2005
30.李雷.加拿大水坝安全管理理念、实践和启示[J].人民长江,2008(12)：36-38
31. Hansen L.K..Salamon P.Neural Network Ensembles, IEEE Transaetion on Pattern Analysis and Machine Intelligence,1990, Vol.12, No.10:993-1001
32.李君纯.中国坝工建设及管理的历史与现状[J].中国水利,2008(20)：24-28
33. Vapnik V N.The nature of statistical learning theory.New York:Springer-Verlag,1995
34. Vladimir N.Vapnik.An overview of statistical learning theory. IEEE transactions on neural networks.1999,5(10):988-999.
35. Drezet P M L,Harrison R F.Support vector machines for system identification.Proc of UKACC international conference oncontrol,Swansea,UK.1998,1:688-692.
36. Boser B E,Guyon I M.Vapnik V N.A training algorithm for optimal margin classifiers.Proc of the thannual ACM workshop on learning theory.1992,5:144-152.
37. Seh61koPfB, SmolaA.WilliamsonRC.NewsuPPortveetoralgorithms[J]. NeuralComPutation,2000 12(5):1207-1245.
38. SuykensJAK,VandewalleJ..Least Squares Support Veetor Maehine Classifiers[J].NeuralProeessingLetters,1999, 9(3):293-300
39. Chew Hong-Gunn, BognerRE, LimCheng-Chew.Dualv-support veetor maehine with error rate and training size biasing[C].Proeeedings(ICASSP'01) of 2001 IEEE International Confereneeon Aeousties, SPeeeh, and Signal Proeessing,2001,2:1269-1272.
40. Chun-FuLin, Sheng-DeWang.Fuzzy SuPPort Veetor Maehines[J].IEEE ansaetionson Neural Networks,2002, 13(2):464-471.
41. CortesC,VaPnik V.Support Veetor NetworkS.MachineLeaming,1995, Vol.20:273-297
42. OsunaE., FreundR. AnImProved Training Algorithm for Support Veetor Machines.in:Proceeding of the IEEE Workshopon NeuralNral Works for Signal Proeessing,1997
43. LinC.J.On the Convergence of the Decomposition Method for Support, vctor Machines. IEEE Transaetionon Neural networks,2001,1(13):1288-1298
44. Platt J.C, Fast Tralning of Support Veetor Maehine susing Sequential Minina IOptimization. In.Seholkopf B., Burges C.J., et.Advances in Kernel Methods:SuPport Veetor Learning, MIT Press, Cambridge, MA,1999
45. Xia Y.S. Wang.J.A. One-Laye rRecurrent Neural Networkfor Support Veetor Maehine Leaming.IEEE Transaetion on System, Man, and Cyberneticserneties-Part.B,2004,34(2):1261-1269
46. Anguita D.,Boni A.,Redella S.A Digital Architecture for Support Veetor Maehines:Theory, Algorithlm,and FPGA Implementation.IEEE Transaetionon Neural Networks,2003,V14(5):993-1009
47.陈永奇.变形观测数据处理[M].测绘出版社,1988
48.李珍照.混凝土坝观测资料分析[M].北京：水利电力出版社,1987
49.张平.狮子滩大坝监测资料分析与参数反演[D].成都：四川大学,2004
50.李珍照.大坝安全监测[M].北京：电力出版社,1997
51.张学工译.统计学习理论的本质[M].北京：清华大学出版社,1999
52.范金城,梅长林.数据分析[M].北京：科学出版社,2002
53.庄楚强,吴亚森.应用数理统计基础[M],广州：华南理工大学出版社,2003
54.安鸿志.时间序列的分析与应用[M],北京：科学出版社,1983
55.项静恬.动态数据处理——时间序列分析[M],北京：气象出版社.1986
56.杨淑子,吴雅,轩建平,时间序列分析的工程应用[M],武汉：华中理工大学出版社,1992
57.尹志政,张家生.灰色模型在大坝变形监测与预报中的应用[J],研究与探讨,2002.4
58.蒋泽中,陈天利.谢涛,灰色理论在高层建筑沉降监测中的应用[J],建筑技术开发,2003.8,30(8),41-43
59.袁嘉祖.灰色系统理论及其应用[M],北京：科学出版社,1991
60.傅立.灰色系统理论及其应用[M],北京：科学技术文献出版社,1992
61 刘思峰,党耀国,方志耕等著.灰色系统理论及其应用[M],北京：科学出版社,2004：26-49,125-203
62.阎平凡,张长水.人工神经网络与模拟进化计算(第二版)[M].北京：清华大学出版社,2005
63.袁曾任.人工神经元网络及其应用[M],北京：清华大学出版社,1999
64.王洪元,史国栋.人工神经网络技术及其应用[M].北京,中国石化出版社,2003：3-8.
65 向国全.前向网络BP算法在数据挖掘中的运用[J],河南大学学报,1999,29(3)：42-45
66. Simon Haykin神经网络原理[M].叶世伟,史忠植,译.北京：机械工业出版社,2004
67.罗成汉.基于MATLAB神经网络工具箱的BP网络实现[J].计算机仿真,2004,21(5)：109-115
68. Heteh Nielsne R,Theory of the baek Propogation neural netwokr[A], Proeeeding of Intenrational Confernece on Neuarl Newtokrs [C],1989,593-603
69.向国全,董道珍.激励函数和改进的网络训练法.计算机研究与发展[J].1997,34(2)：113-117
70.杨建刚编著.人神经网络实用教程仁[M].杭州：浙江大学出版社,2001
71.蒋宗礼.人工神经网络导论[M[.北京：高等教育出版社,2001
72. W.Schijmnna,M.Joost,R.Werner,Comparison of Optimized back Propgation algorlthms,in: M.Verleysen(Ed.),Proceedings of the EuroPera SymPosiumon Artieial Neural Netwokrs,ESANN 93,Burssels,1993,D-Facto, Burssels,97-104.
73.王继成.一种新的神经网络学习算法[J].计算机工程与科学,2000,22(3)：9-17
74.李志农.基于神经网络的深基坑支护变形预测[J].大众科技,2005,5：8-11
75.吴秀娟,李征航.基于BP网络的大坝变形分析与预报[J].测绘信息与工程,2003,28(5)：33-34
76.田盛丰等.人工智能原理与应用[M].北京：北京理工大学出版社,1993
77. Vladimir N.Vapnik统计学习理论[M].许建华,张学工译.北京：电子工业出版社,2009
78.邓乃扬,田英杰.数据挖掘中的新方法—支持向量机[M].北京：科学出版社,2004：3-4
79.张楠,范玉妹.关于支持向量机几何算法的研究[J].计算机技术与发展,2007,7(1)：142-144
80.张国云.支持向量机算法及应用研究[D].长沙：：湖南大学,2006
81.方瑞明.支持向量机理论及应用分析[M].北京：中国电力出版社,2007：
82.王磊.支持向量机的学习算法若干问题研究[D].成都：电子科技大学,2007
83.张学工.关于统计学习理论与支持向量机[J],自动化学报.2000,26(1)：32-42
84. Nello C.&John S支持向量机导论[M].李国正等译.北京：电子工业出版社,2004
85邢丽君,张杰.数值分析[M].北京：中国电力出版社,2007
86.朱树先,张仁杰.支持向量机核函数选择的研究[J].科学技术与工程：2008(16)：4513-4517
87.胡光乾等.小浪底水利枢纽大坝外部变形监测及资料分析[J].水力发电2004,(9)：49-51
88.黄河勘测规划设计有限公司测绘信息工程院.黄河小浪底水利枢纽监测方案设计.郑州：内部报告,2000
89.能源部,水利部编.SDJ336—89《混凝土大坝安全监测技术规范(试行)》.北京：1989
90.毛小平,林国良.水工监测工作中存在的主要问题及其对策[J].大坝与安全2004,(5)：65-67
91.渠守尚,马勇.测量机器人在小浪底大坝外部变形监测中的应用[J].测绘通报2001,(4)：35-37
92.刘朋俊,丁万庆,张荣林.TCA2003在小浪底工程外部变形监测系统中的应用研究[J].广西水利水电2003,(2)：3-7
93.张永光.灰色系统理论在小浪底水利枢纽大坝外部变形分析中的应用研究[D].武汉：武汉大学,2007
94.张建喜；臧德彦；主成分分析与BP网络组合的大坝变形预报[J].东华理工大学学报(自然科学版)2011,(3)：288-292
95.张红梅.基于支持向量机的电力短期负荷预测研究[D].南京：河海大学,2006
96.翟信德.基于支持向量机的大坝变形预测研究[D].合肥：合肥工业大学,2007
97.清华大学应用数学系概率统计教研组.概率论与数理统计[M].长春：吉林教育出版社,1957
98黄声享.变形数据分析方法研究及其在精密工程GPS自动监测系统中的应用[D].武汉：武汉大学,2001
99.迟彬；叶庆凯.用奇异值分解方法计算具有重特征值矩阵的特征矢量[J]应用数学和力学2004(3)：233-238
100.吴勃英.数值分析原理[M],北京：科学出版社,2003
101.李岳生,黄友谦.数值逼近[M],北京：人民教育出版社,1979
102.李庆杨,王能超等.数值分析[M],武汉：华中理工大学出版社,1996
103.茆诗松,数理统计学[M],北京：人民大学出版社,2011
104.吴翊,李永乐,胡庆军.应用数理统计[M].长沙：国防科技大学出版社,1995
105.普济.数理统计与应用第7讲：相关与回归(2)——相关系数[J].中国质量,2008,(08)：85-89
106.农吉夫,金龙.基于MATLAB的主成分RBF神经网络降水预报模型.热带气象学报,2008,(06)：713-717
107.田执祥,乔春生,滕文彦等.基于支持向量机的隧道变形预测方法[J].中国铁道科学.2004,(2)：47-49
108. Amari.S.WuS.Imporving support vector maehinec lassifiers by modifying kernel funetions[J].Neural Networks, 1999(12):783-789
109. Baesens B,Viaene S,Gestel T Vetal.An empirical assessment of kernel typeperformance for least squares support vector machine classifiers. Proceeding of Fourth International Conference on Knowledge-Based Intelligent Engineering Systems and Allied Technologies,Brighton,UK,2000:313-316.
110. Takashi Onoda,Hiroshi Murata,Gunnar Ratsch,Muller K R.Experimental analysis of support vector machines with different kernels based on non-intrusive monitoring data.Proceeding of International Joint Conference on NeuralNetworks,2002
111. Tipping M.E and Bishop C.M. Probabilisitic principal component analysis.J.R.Statist.Soe.B.1999,226
112. Lindsay I.S.A tutorial on Prineipal Components Analysis.2002
113.王松桂等.线性模型引论[M].北京：科学出版社,2004
114. Bishop C.M.and Tipping M.E.Ahierarcal latent varialble mode lfor data visualization.IEEE Trans.pattn Anal.Mach.Intenl.1998:20,281-293
115. Wilkinson J.H.The Algebraie Eigenvalue problem.Claredon Press.Oxford England,1965
116. Gone H.Golub and Charles F.Van L.Matrix Computations.The Johns Hopkins University Press, Baltimore, MD, USA, second edition,1989
117. Roderick J.A.Little and Bonald B.R缺失数据统计分析[M].孙山泽译.北京：中国统计出版社,2004
118.吕开云,鲁铁定.利用PCA-SVM的大坝变形预测研究[J].测绘科学,2011,(1)：73-74
119.黄全义,张正禄.基于人工神经网络的大坝变形分析与预报研究[J].大坝与安全,2002,(5)：36-56
120.翁静君,华锡生.改进的BP神经网络在大坝安全监控中的应用[J].水电自动化与大坝监测,2006,30(4)：62-65
121.陈西江,鲁铁定,谭成芳.大坝位移BP网络模型影响因子的优选[J].江西科学,2010,(2)：72-76
122.周慧,尉晓君.基于Kendall相关系数的金融发展非参数检验[J].金融经济,2006,(20)：142-143
123.何艳频,孙爱峰Spearman等级相关系数计算公式及其相互关系的探讨[J].中国现代实用药物应用,2007,1(7)：72-73
124.张宇镭,党琰;,贺平安.利用Pearson相关系数定量分析生物亲缘关系[J].计算机工程与应用,2005(3)：79-82
125.邓聚龙.灰预测与灰决策[M].武汉：华中科技大学出版社,2002,7-44
126.罗庆成等.灰色关联分析与应用[M].南京：江苏科学技术出版杜,1989
127.袁嘉祖.灰色系统理论及其应用[M].北京：科学出版社,1991
128.傅立.灰色系统理论及其应用[M].北京：科学技术文献出版社,1992
129.周秀文.灰色关联度的研究与应用[D].长春：吉林大学,2007
130.李希灿,李丽.时序残差GM(1,1)模型[J].系统工程理论与实践,1998,(10)：60-63
131.代冬岩,李智勇,张宏礼.最小二乘曲线按拟合及其matlab实现[Z].科技论坛,2009,(21)：35-36
132.陈西江,鲁铁定.变异时序回归GM(1,1)模型[J].测绘科学,2011,(6)：184-186
133张美英,何杰.时间序列预测模型研究简介.[J].江西科学.2009.10,27(5)：1
134. Steve R.Gunn,Support Vector Machines for Classification and Regression[J].Technical Report.1998:15-16.
135.郭小会,马小平.基于matlab的支持向量机工具箱.[J].计算机应用于软件.2007.12,24(12)：1-3
136.王国胜,钟义信.支持向量机的若干新进展.[J].电子学报.2001.29(10)：2-3
137.杨虞微,左洪福,陈果.支持向量机时间序列预测模型的参数影响分析与自适应优化[J].航空动力学报,2006,21(4)：3-5
138.王琦,陈发威,黄斌达.谢菲尔德大学matlab遗传算法工具箱改进与应用[J].制造业信息化.2010年第10期：1-2
139.王国锋,王子良,王太勇,等Matlab在时间序列分析中的应用[J].应用技术.2003.5,30(5)：2-3
140.王新洲,范千.基于小波变换和支持向量机的大坝变形预测.武汉大学学报.信息科学版,2008,33(5)：469-471.
141. BenameurS, Mignotte M, DestremPes F.De, Guise J.A. Estimation of mixtures of probabilistic PCA with stochastic EM for the 3D biplanar reconstruction of scoliotic rib cage:Image Processing,2004.Vol.5,2949-2952.
142. Wilkinson J.H. The Algebraic Eigenvalue problem. Claredon Press. Oxford. England,1965.
143. Gene H.Golub and Charles F, Van L. Matrix Compputations. The Johns Hopkins University Press, Baltimore, MD, USA, second edition,1989.
144. Sam R. EM. Algorithms For PCA and SPCA. Neural Information Processing Systems 10(NIPS'97), 1998.pp.626-632.
145.马琳,宋贵宝,吉礼超,彭瑾.基于最小二乘灰色关联分析法的目标威胁评估fJ].战术导弹技术,2010,(1)：28-31.
146.徐晖,邱福清,吕世德.土石坝观测资料的灰色分析方法研究[J].武汉水力电力大学学报,1998,(6)：26-29.
147. Fung,G, Mangasarian, O. L,2001. Proximal Support Vector Machines. Pro. KDD-2001, San Francisco, PP.77-86
148.吕开云,胡振琪,高永光光谱指数在铀矿找矿中的应用[J].矿业研究与开发,2006(4)：47-50
149.吕开云,李江新,刘文新等.土地开发整理项目规划设计的内容深度研究[J].东华理工学院学报,2006(4)：
150.吕开云,高爱林,高永光.重金属污染土壤对植物伤害研究[J].西部探矿工程,2006(8)：271-273
151. Lvkaiyun,Zoushilin.The applications of photogrammetric technology in the deformation measurement based on CCD camera.Goldschmidt Confrernce Abstacts 2010.
152. Lvkaiyun,Zhangliting.The Space Expression of Nuclide Transport in GIS Environment. Goldschmidt Confrernce Abstacts 2010.
153. Lvkaiyun,Zhangming.Research on the Land Intensive Use Model in Poyang Lake Eco-economic Zone.2010地质资源管理与可持续发展国际学术会议.
2. 黄声享,尹晖,蒋征.变形监测数据处理[M].武汉,武汉大学出版社,2003：1-2
3. 陈永奇,吴子安,吴中如.变形监测分析与预报[M].北京,测绘出版社,1998
4. 张小红,李征航,李振洪.隔河岩大坝外观变形GPS自动化监测系统的灵敏度分析.测绘通报,2000,11：10-12
5. Tonini D.Observed behavior of several leakier arch dams[J].Proe.ASCE, Journal of the Power Division,1956, 82(12)
6. Roeha M.A quantitative method for the interpretation of the observation of dams [C].VI Congress on Large Dams, Reporton Question 21 New York,1958
7. XerezA., Lamas, J.F.Methods of analysis of arch dam behavior[C]. VI Congress on Large Dams, R.39, Q.21, NewYork,1958
8. Silveria A., F.Pedro, Jose.Quantitativ einterpretation of the results of the observation of concrete dams[C].8th.ICOLD Congress, Q.29, R.43,1964, Edinburgh
9. 赵斌.大坝安全监控正反分析的新模型和新方法[D].南京：河海大学,1998
10.中村庆一,饭田隆一.实测资料变形举动解析[J].土术技术资料,1963(5)
11. Widmann R. Evaluarion of deformation measurements performed at concrete dam[C],Commission Internationals of Grands Banrages,1967
12. Willm G, Beaujoint N:9th Congress ICOLD, R.3O, Q.34, Istanbul.
13. Marazio P. Behavior of Enel's large dams[R].Enel's report, Roma,1980
14. Bonaldi P., Fanelli M.Giusepptti G.Automatic observation and instantaneous control of dam safety [J].ISMES, 1980
15. Pedro J.,O.Stress evaluation inconcrete dams,the example of verosa dam[C],International conference on safety of dams,Coimbra,1984
16. Gueds Q.M., Coelho P.S. Statistical behavior model of dams[C].15th ICOLD congress,1985,Q.56,R.16,Lausanne
17. Lue E.Chouinard et al.Statistical analysis in real time of monitoring data for idukki arch dam[C].2nd International conference on dam safety evaluation,Trivandrum,India.1996:381-385
18. Faneli M.Automatic observation for dam safety[J].International water Power&Dam Construetion.NoV, Dec,1997
19. Drezet P M L,Harrison R F.Support vector machines for system identification.Proc of UKACC international conference oncontrol,Swansea,UK.1998,1:688-692.
20.陈久宇,林见.观测数据的处理方法[M].上海交通大学出版社,1987
21.吴中如.混凝土坝观测物理量的数学模型及其应用[J].华东水利学院学报,1984(3)：20-25
22.吴中如.论混凝土坝安全监控的确定性模型和混合模型[J].水利学报,1989(5)：64-70
23邓聚龙.灰色预测和决策[M],武汉：华中理工大学出版社,1986
24.熊支荣李珍照.灰色系统理论在大坝观测资料分析中的应用.水利水电技术,1991(1)：46-51
25.齐长鑫,汪树玉.灰色系统模型在坝基位移预测中的应用[J].水利学报,1996(9)：49-52
26.何勇兵.多变量灰色预测模型在大坝安全监测中的应用[D].杭州：浙江大学,2003
27.任权.大坝变形观测[M].南京：河海大学出版社,1989
28.李珍照,张淑丽.大坝观测数据的模糊分析[J].大坝观测与土工测试,1992(1)：1-8
29.金永强.BP神经网络在大坝观测数据处理中的应用[D].合肥：合肥工业大学,2005
30.李雷.加拿大水坝安全管理理念、实践和启示[J].人民长江,2008(12)：36-38
31. Hansen L.K..Salamon P.Neural Network Ensembles, IEEE Transaetion on Pattern Analysis and Machine Intelligence,1990, Vol.12, No.10:993-1001
32.李君纯.中国坝工建设及管理的历史与现状[J].中国水利,2008(20)：24-28
33. Vapnik V N.The nature of statistical learning theory.New York:Springer-Verlag,1995
34. Vladimir N.Vapnik.An overview of statistical learning theory. IEEE transactions on neural networks.1999,5(10):988-999.
35. Drezet P M L,Harrison R F.Support vector machines for system identification.Proc of UKACC international conference oncontrol,Swansea,UK.1998,1:688-692.
36. Boser B E,Guyon I M.Vapnik V N.A training algorithm for optimal margin classifiers.Proc of the thannual ACM workshop on learning theory.1992,5:144-152.
37. Seh61koPfB, SmolaA.WilliamsonRC.NewsuPPortveetoralgorithms[J]. NeuralComPutation,2000 12(5):1207-1245.
38. SuykensJAK,VandewalleJ..Least Squares Support Veetor Maehine Classifiers[J].NeuralProeessingLetters,1999, 9(3):293-300
39. Chew Hong-Gunn, BognerRE, LimCheng-Chew.Dualv-support veetor maehine with error rate and training size biasing[C].Proeeedings(ICASSP'01) of 2001 IEEE International Confereneeon Aeousties, SPeeeh, and Signal Proeessing,2001,2:1269-1272.
40. Chun-FuLin, Sheng-DeWang.Fuzzy SuPPort Veetor Maehines[J].IEEE ansaetionson Neural Networks,2002, 13(2):464-471.
41. CortesC,VaPnik V.Support Veetor NetworkS.MachineLeaming,1995, Vol.20:273-297
42. OsunaE., FreundR. AnImProved Training Algorithm for Support Veetor Machines.in:Proceeding of the IEEE Workshopon NeuralNral Works for Signal Proeessing,1997
43. LinC.J.On the Convergence of the Decomposition Method for Support, vctor Machines. IEEE Transaetionon Neural networks,2001,1(13):1288-1298
44. Platt J.C, Fast Tralning of Support Veetor Maehine susing Sequential Minina IOptimization. In.Seholkopf B., Burges C.J., et.Advances in Kernel Methods:SuPport Veetor Learning, MIT Press, Cambridge, MA,1999
45. Xia Y.S. Wang.J.A. One-Laye rRecurrent Neural Networkfor Support Veetor Maehine Leaming.IEEE Transaetion on System, Man, and Cyberneticserneties-Part.B,2004,34(2):1261-1269
46. Anguita D.,Boni A.,Redella S.A Digital Architecture for Support Veetor Maehines:Theory, Algorithlm,and FPGA Implementation.IEEE Transaetionon Neural Networks,2003,V14(5):993-1009
47.陈永奇.变形观测数据处理[M].测绘出版社,1988
48.李珍照.混凝土坝观测资料分析[M].北京：水利电力出版社,1987
49.张平.狮子滩大坝监测资料分析与参数反演[D].成都：四川大学,2004
50.李珍照.大坝安全监测[M].北京：电力出版社,1997
51.张学工译.统计学习理论的本质[M].北京：清华大学出版社,1999
52.范金城,梅长林.数据分析[M].北京：科学出版社,2002
53.庄楚强,吴亚森.应用数理统计基础[M],广州：华南理工大学出版社,2003
54.安鸿志.时间序列的分析与应用[M],北京：科学出版社,1983
55.项静恬.动态数据处理——时间序列分析[M],北京：气象出版社.1986
56.杨淑子,吴雅,轩建平,时间序列分析的工程应用[M],武汉：华中理工大学出版社,1992
57.尹志政,张家生.灰色模型在大坝变形监测与预报中的应用[J],研究与探讨,2002.4
58.蒋泽中,陈天利.谢涛,灰色理论在高层建筑沉降监测中的应用[J],建筑技术开发,2003.8,30(8),41-43
59.袁嘉祖.灰色系统理论及其应用[M],北京：科学出版社,1991
60.傅立.灰色系统理论及其应用[M],北京：科学技术文献出版社,1992
61 刘思峰,党耀国,方志耕等著.灰色系统理论及其应用[M],北京：科学出版社,2004：26-49,125-203
62.阎平凡,张长水.人工神经网络与模拟进化计算(第二版)[M].北京：清华大学出版社,2005
63.袁曾任.人工神经元网络及其应用[M],北京：清华大学出版社,1999
64.王洪元,史国栋.人工神经网络技术及其应用[M].北京,中国石化出版社,2003：3-8.
65 向国全.前向网络BP算法在数据挖掘中的运用[J],河南大学学报,1999,29(3)：42-45
66. Simon Haykin神经网络原理[M].叶世伟,史忠植,译.北京：机械工业出版社,2004
67.罗成汉.基于MATLAB神经网络工具箱的BP网络实现[J].计算机仿真,2004,21(5)：109-115
68. Heteh Nielsne R,Theory of the baek Propogation neural netwokr[A], Proeeeding of Intenrational Confernece on Neuarl Newtokrs [C],1989,593-603
69.向国全,董道珍.激励函数和改进的网络训练法.计算机研究与发展[J].1997,34(2)：113-117
70.杨建刚编著.人神经网络实用教程仁[M].杭州：浙江大学出版社,2001
71.蒋宗礼.人工神经网络导论[M[.北京：高等教育出版社,2001
72. W.Schijmnna,M.Joost,R.Werner,Comparison of Optimized back Propgation algorlthms,in: M.Verleysen(Ed.),Proceedings of the EuroPera SymPosiumon Artieial Neural Netwokrs,ESANN 93,Burssels,1993,D-Facto, Burssels,97-104.
73.王继成.一种新的神经网络学习算法[J].计算机工程与科学,2000,22(3)：9-17
74.李志农.基于神经网络的深基坑支护变形预测[J].大众科技,2005,5：8-11
75.吴秀娟,李征航.基于BP网络的大坝变形分析与预报[J].测绘信息与工程,2003,28(5)：33-34
76.田盛丰等.人工智能原理与应用[M].北京：北京理工大学出版社,1993
77. Vladimir N.Vapnik统计学习理论[M].许建华,张学工译.北京：电子工业出版社,2009
78.邓乃扬,田英杰.数据挖掘中的新方法—支持向量机[M].北京：科学出版社,2004：3-4
79.张楠,范玉妹.关于支持向量机几何算法的研究[J].计算机技术与发展,2007,7(1)：142-144
80.张国云.支持向量机算法及应用研究[D].长沙：：湖南大学,2006
81.方瑞明.支持向量机理论及应用分析[M].北京：中国电力出版社,2007：
82.王磊.支持向量机的学习算法若干问题研究[D].成都：电子科技大学,2007
83.张学工.关于统计学习理论与支持向量机[J],自动化学报.2000,26(1)：32-42
84. Nello C.&John S支持向量机导论[M].李国正等译.北京：电子工业出版社,2004
85邢丽君,张杰.数值分析[M].北京：中国电力出版社,2007
86.朱树先,张仁杰.支持向量机核函数选择的研究[J].科学技术与工程：2008(16)：4513-4517
87.胡光乾等.小浪底水利枢纽大坝外部变形监测及资料分析[J].水力发电2004,(9)：49-51
88.黄河勘测规划设计有限公司测绘信息工程院.黄河小浪底水利枢纽监测方案设计.郑州：内部报告,2000
89.能源部,水利部编.SDJ336—89《混凝土大坝安全监测技术规范(试行)》.北京：1989
90.毛小平,林国良.水工监测工作中存在的主要问题及其对策[J].大坝与安全2004,(5)：65-67
91.渠守尚,马勇.测量机器人在小浪底大坝外部变形监测中的应用[J].测绘通报2001,(4)：35-37
92.刘朋俊,丁万庆,张荣林.TCA2003在小浪底工程外部变形监测系统中的应用研究[J].广西水利水电2003,(2)：3-7
93.张永光.灰色系统理论在小浪底水利枢纽大坝外部变形分析中的应用研究[D].武汉：武汉大学,2007
94.张建喜；臧德彦；主成分分析与BP网络组合的大坝变形预报[J].东华理工大学学报(自然科学版)2011,(3)：288-292
95.张红梅.基于支持向量机的电力短期负荷预测研究[D].南京：河海大学,2006
96.翟信德.基于支持向量机的大坝变形预测研究[D].合肥：合肥工业大学,2007
97.清华大学应用数学系概率统计教研组.概率论与数理统计[M].长春：吉林教育出版社,1957
98黄声享.变形数据分析方法研究及其在精密工程GPS自动监测系统中的应用[D].武汉：武汉大学,2001
99.迟彬；叶庆凯.用奇异值分解方法计算具有重特征值矩阵的特征矢量[J]应用数学和力学2004(3)：233-238
100.吴勃英.数值分析原理[M],北京：科学出版社,2003
101.李岳生,黄友谦.数值逼近[M],北京：人民教育出版社,1979
102.李庆杨,王能超等.数值分析[M],武汉：华中理工大学出版社,1996
103.茆诗松,数理统计学[M],北京：人民大学出版社,2011
104.吴翊,李永乐,胡庆军.应用数理统计[M].长沙：国防科技大学出版社,1995
105.普济.数理统计与应用第7讲：相关与回归(2)——相关系数[J].中国质量,2008,(08)：85-89
106.农吉夫,金龙.基于MATLAB的主成分RBF神经网络降水预报模型.热带气象学报,2008,(06)：713-717
107.田执祥,乔春生,滕文彦等.基于支持向量机的隧道变形预测方法[J].中国铁道科学.2004,(2)：47-49
108. Amari.S.WuS.Imporving support vector maehinec lassifiers by modifying kernel funetions[J].Neural Networks, 1999(12):783-789
109. Baesens B,Viaene S,Gestel T Vetal.An empirical assessment of kernel typeperformance for least squares support vector machine classifiers. Proceeding of Fourth International Conference on Knowledge-Based Intelligent Engineering Systems and Allied Technologies,Brighton,UK,2000:313-316.
110. Takashi Onoda,Hiroshi Murata,Gunnar Ratsch,Muller K R.Experimental analysis of support vector machines with different kernels based on non-intrusive monitoring data.Proceeding of International Joint Conference on NeuralNetworks,2002
111. Tipping M.E and Bishop C.M. Probabilisitic principal component analysis.J.R.Statist.Soe.B.1999,226
112. Lindsay I.S.A tutorial on Prineipal Components Analysis.2002
113.王松桂等.线性模型引论[M].北京：科学出版社,2004
114. Bishop C.M.and Tipping M.E.Ahierarcal latent varialble mode lfor data visualization.IEEE Trans.pattn Anal.Mach.Intenl.1998:20,281-293
115. Wilkinson J.H.The Algebraie Eigenvalue problem.Claredon Press.Oxford England,1965
116. Gone H.Golub and Charles F.Van L.Matrix Computations.The Johns Hopkins University Press, Baltimore, MD, USA, second edition,1989
117. Roderick J.A.Little and Bonald B.R缺失数据统计分析[M].孙山泽译.北京：中国统计出版社,2004
118.吕开云,鲁铁定.利用PCA-SVM的大坝变形预测研究[J].测绘科学,2011,(1)：73-74
119.黄全义,张正禄.基于人工神经网络的大坝变形分析与预报研究[J].大坝与安全,2002,(5)：36-56
120.翁静君,华锡生.改进的BP神经网络在大坝安全监控中的应用[J].水电自动化与大坝监测,2006,30(4)：62-65
121.陈西江,鲁铁定,谭成芳.大坝位移BP网络模型影响因子的优选[J].江西科学,2010,(2)：72-76
122.周慧,尉晓君.基于Kendall相关系数的金融发展非参数检验[J].金融经济,2006,(20)：142-143
123.何艳频,孙爱峰Spearman等级相关系数计算公式及其相互关系的探讨[J].中国现代实用药物应用,2007,1(7)：72-73
124.张宇镭,党琰;,贺平安.利用Pearson相关系数定量分析生物亲缘关系[J].计算机工程与应用,2005(3)：79-82
125.邓聚龙.灰预测与灰决策[M].武汉：华中科技大学出版社,2002,7-44
126.罗庆成等.灰色关联分析与应用[M].南京：江苏科学技术出版杜,1989
127.袁嘉祖.灰色系统理论及其应用[M].北京：科学出版社,1991
128.傅立.灰色系统理论及其应用[M].北京：科学技术文献出版社,1992
129.周秀文.灰色关联度的研究与应用[D].长春：吉林大学,2007
130.李希灿,李丽.时序残差GM(1,1)模型[J].系统工程理论与实践,1998,(10)：60-63
131.代冬岩,李智勇,张宏礼.最小二乘曲线按拟合及其matlab实现[Z].科技论坛,2009,(21)：35-36
132.陈西江,鲁铁定.变异时序回归GM(1,1)模型[J].测绘科学,2011,(6)：184-186
133张美英,何杰.时间序列预测模型研究简介.[J].江西科学.2009.10,27(5)：1
134. Steve R.Gunn,Support Vector Machines for Classification and Regression[J].Technical Report.1998:15-16.
135.郭小会,马小平.基于matlab的支持向量机工具箱.[J].计算机应用于软件.2007.12,24(12)：1-3
136.王国胜,钟义信.支持向量机的若干新进展.[J].电子学报.2001.29(10)：2-3
137.杨虞微,左洪福,陈果.支持向量机时间序列预测模型的参数影响分析与自适应优化[J].航空动力学报,2006,21(4)：3-5
138.王琦,陈发威,黄斌达.谢菲尔德大学matlab遗传算法工具箱改进与应用[J].制造业信息化.2010年第10期：1-2
139.王国锋,王子良,王太勇,等Matlab在时间序列分析中的应用[J].应用技术.2003.5,30(5)：2-3
140.王新洲,范千.基于小波变换和支持向量机的大坝变形预测.武汉大学学报.信息科学版,2008,33(5)：469-471.
141. BenameurS, Mignotte M, DestremPes F.De, Guise J.A. Estimation of mixtures of probabilistic PCA with stochastic EM for the 3D biplanar reconstruction of scoliotic rib cage:Image Processing,2004.Vol.5,2949-2952.
142. Wilkinson J.H. The Algebraic Eigenvalue problem. Claredon Press. Oxford. England,1965.
143. Gene H.Golub and Charles F, Van L. Matrix Compputations. The Johns Hopkins University Press, Baltimore, MD, USA, second edition,1989.
144. Sam R. EM. Algorithms For PCA and SPCA. Neural Information Processing Systems 10(NIPS'97), 1998.pp.626-632.
145.马琳,宋贵宝,吉礼超,彭瑾.基于最小二乘灰色关联分析法的目标威胁评估fJ].战术导弹技术,2010,(1)：28-31.
146.徐晖,邱福清,吕世德.土石坝观测资料的灰色分析方法研究[J].武汉水力电力大学学报,1998,(6)：26-29.
147. Fung,G, Mangasarian, O. L,2001. Proximal Support Vector Machines. Pro. KDD-2001, San Francisco, PP.77-86
148.吕开云,胡振琪,高永光光谱指数在铀矿找矿中的应用[J].矿业研究与开发,2006(4)：47-50
149.吕开云,李江新,刘文新等.土地开发整理项目规划设计的内容深度研究[J].东华理工学院学报,2006(4)：
150.吕开云,高爱林,高永光.重金属污染土壤对植物伤害研究[J].西部探矿工程,2006(8)：271-273
151. Lvkaiyun,Zoushilin.The applications of photogrammetric technology in the deformation measurement based on CCD camera.Goldschmidt Confrernce Abstacts 2010.
152. Lvkaiyun,Zhangliting.The Space Expression of Nuclide Transport in GIS Environment. Goldschmidt Confrernce Abstacts 2010.
153. Lvkaiyun,Zhangming.Research on the Land Intensive Use Model in Poyang Lake Eco-economic Zone.2010地质资源管理与可持续发展国际学术会议.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |