1. 河海大学水灾害防御全国重点实验室
2. 河海大学水利水电学院
3. 河海大学水安全与水科学协同创新中心
纸质出版:2025
移动端阅览
代硕, 苏怀智, 谷宇, 等. 基于HO-BP-AdaBoost的大坝变形监控模型[J]. 水电能源科学, 2025,(7):153-156+108.
代硕, 苏怀智, 谷宇, et al. 基于HO-BP-AdaBoost的大坝变形监控模型[J]. 2025, (7): 153-156+108.
代硕, 苏怀智, 谷宇, 等. 基于HO-BP-AdaBoost的大坝变形监控模型[J]. 水电能源科学, 2025,(7):153-156+108. DOI: 10.20040/j.cnki.1000-7709.2025.20241708.
代硕, 苏怀智, 谷宇, et al. 基于HO-BP-AdaBoost的大坝变形监控模型[J]. 2025, (7): 153-156+108. DOI: 10.20040/j.cnki.1000-7709.2025.20241708.
建立高精度的大坝变形监控模型对于分析大坝变形监测资料,保障大坝运行安全具有重要意义,但传统的反向传播神经网络(BP)在搜索过程中容易陷入局部最优,因此将具有较好全局搜索能力的河马优化算法(HO)引入反向传播神经网络,并基于自适应增强算法(AdaBoost)
构建了HO-BP-AdaBoost大坝变形监控模型。首先,利用HO算法对BP神经网络的初始权值和阈值进行优化,并将优化后的权值和阈值赋予BP神经网络,构建HO-BP弱预测器;然后通过训练迭代多个弱预测器,并根据预测误差分配不同的权重,组合成为强预测器;最后,以某混凝土坝为例,通过选取决定系数、均方根误差、均方误差及平均绝对误差作为评价指标,比较该模型与其他模型的输出结果。结果表明,HO-BP-AdaBoost模型对于大坝变形具有较高的预测精度。
吴中如编著.水工建筑物安全监控理论及其应用[M].高等教育出版社,2003.
谷宇,苏怀智,张帅,姚可夫,刘明凯,漆一宁.基于自适应时序分解筛选的大坝变形预测模型[J].水利学报,2024(09).
魏棕凯,王晓兰,刘洋成,胡思宇,管毓瑶.基于SVR与BP神经网络的水电机组瓦温预测[J].水电与新能源,2024(01).
衣学军,汤岭,李致家,盛奕华,姚成,杜若愚.基于机器学习的洪水预报实时校正[J].水电能源科学,2023(12).
胡正伟,王志红,畅瑞鑫,谢志远,曹旺斌.基于BP-Adaboost神经网络的非侵入式电机工作状态识别方法[J].电机与控制学报,2023(10).
徐韧,苏怀智,杨立夫.基于GP-XGBoost的大坝变形预测模型[J].水利水电科技进展,2021(05).
周仁练,苏怀智,韩彰,徐朗,刘明凯.混凝土坝变形的长期预测模型与应用[J].水力发电学报,2021(09).
王凯,唐诗华,王江波,肖阳,容静,王文贯.基于GA-BP-AdaBoost强预测模型的大坝变形应用[J].桂林理工大学学报,2019(02).
卢献健,刘海锋,蒋园园,梁月吉.基于灰色遗传BP神经网络的大坝变形预测[J].桂林理工大学学报,2017(04).
柴丽莎,戚丹,吴浩.多测点多方向BP网络模型在大坝变形监测中的应用[J].水电能源科学,2014(03).
0
浏览量
184
下载量
CSCD
关联资源
相关文章
相关作者
相关机构