[发明专利]一种基于集成学习的大坝变形预测方法

权利要求书

1.一种基于集成学习的大坝变形预测方法，其特征在于，包括以下步骤：

(1)对大坝上观测点连续监测得到的垂直位移观测数据进行预处理，得到重力拱坝上点的沉降变形量Y_S与水压Y_H、温度Y_T和时效Y_θ因素的关系；

(2)对预处理后的数据集进行划分，利用神经网络构建单个大坝变形预测模型，确定模型结构，并对单个大坝变形预测模型进行训练；

(3)采用十折交叉检验方法对单个大坝变形预测模型的输出结果进行验证，确定最优模型参数，得到简单神经网络模型；

(4)将若干简单神经网络模型的输出结果进行加权平均，得到集成结果；

(5)对集成学习模型进行精度评估并验证其泛化性能。

2.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，在步骤(1)中，所述重力拱坝上点的沉降变形量Y_S与水压Y_H、温度Y_T和时效Y_θ因素的关系如下式：

上式中，H是坝前水深；a₀是常数项，a_i是水压因子回归系数，i＝1～3，表示水压3分量；t是累计观测的天数；b_1j、b_2j是温度因子回归系数，j＝1～2，用于模拟温度变化的年周期和半年周期；θ是累计进行观测的天数除以100；c₁、c₂是时效因子回归系数。

3.根据权利要求2所述基于集成学习的大坝变形预测方法，其特征在于，在步骤(2)中，将水压分量H¹，H²，H³，温度分量时效分量θ，lnθ作为单个神经网络模型的输入，大坝变形量作为输出，构建单个大坝变形预测模型。

4.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，在步骤(2)中，所述神经网络为BP神经网络。

5.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，所述单个大坝变形预测模型的输入层节点数为9，隐含层节点数为19，输出层节点数为1。

6.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，步骤(3)的具体过程如下：

训练样本随机打乱，然后等分为10份，编号S_m，m＝1,2,3...10，依次将某个样本S_m作为测试样本，将其余9个样本作为训练样本对模型进行训练和验证，并选取精度最优模型，保留其验证误差，网络结构和模型参数。

7.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，在步骤(4)中，将N个简单神经网络模型进行集成，每个模型的输出记为y_n，n＝1,2,3,...,N，误差记为M_n，n＝1,2,3...,N，则集成学习模型中权重为集成模型输出为

8.根据权利要求1所述基于集成学习的大坝变形预测方法，其特征在于，在步骤(5)中，采用平均绝对偏差、均方根误差、相关系数和标准差作为评估指标。