基于BP-PCA-WCA-SVM的混凝土大坝变形预测方法OA北大核心CSTPCD

传统基于单一模型的混凝土大坝变形预测方法预测精度低,噪声稳健性差,泛化能力弱。为解决该问题,提出一种基于贝塔先验主成分分析(BP-PCA)与水循环算法(WCA)优化支撑向量机(SVM)相结合的混凝土大坝变形组合预测方法。首先利用所提BP-PCA模型对变形数据进行多尺度降噪分解,将复杂非线性、非平稳随机过程分解为一系列结构简单的主分量;然后利用WCA优化的SVM(WCA-SVM)对每个主分量分别建立预测模型;最后将多个主分量的预测结果综合叠加得到最终预测结果。以我国中部地区某混凝土大坝变形监测数据开展试验,结果表明,所提BP-PCA模型能够有效挖掘数据中隐含的趋势性和规律性信息,BP-PCA-WCA-SVM模型能够获得较高的预测精度,预测结果的相对误差为1.07%,误差均方根为0.065。相对于Kalman滤液、SVM、CNN 3种方法,所提模型预测性能提升均超过62%,并且具有更强的噪声稳健性和泛化能力。