测绘科学

2021, v.46;No.279(09) 34-42

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

变分模态分解与长短时神经网络的大坝变形预测
Variational mode decomposition and long short time neural network for dam deformation prediction

陈竹安;熊鑫;游宇垠;

摘要(Abstract):

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型。对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构。以江西省某蓄能水电厂2010—2014年大坝监测数据为例,设置不同的对比实验验证VMD-LSTM组合模型的有效性和稳定性。研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值。

关键词(KeyWords): 大坝变形预测;变分模态分解;长短时记忆神经网络;循环神经网络;深度学习

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目(51708098);; 江西省自然科学基金项目(20171BAA218018)

作者(Author): 陈竹安;熊鑫;游宇垠;

Email:

DOI: 10.16251/j.cnki.1009-2307.2021.09.004

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享