典型文献
联合聚类方法和深度学习的混凝土坝变形预测
文献摘要：
混凝土大坝变形预测对其安全运行具有重要意义,针对传统分析方法难以捕捉长期序列时序特征从而导致预测精度较低的问题,本文采用麻雀优化算法(SSA)和K调和均值算法(KHM)相结合对监测值进行聚类以捕捉序列时序特征,然后采用自适应噪声完备集合经验模态分解(CEEMDAN)等方法对聚类结果进行降噪处理,最后采用长短期记忆(LSTM)模型对序列进行预测.分析结果表明,本文所提出的聚类方法具有较好的长序列特征识别能力,结合基于CEEMDAN分解方法去除序列中存在的冗余信息,从而使LSTM模型能够更好地捕捉变形值的时序特性,进而提高预测精度.所提模型具有较好的精度和适应性,可为大坝变形预测提供一种有效方法.
文献关键词：
混凝土大坝变形预测;K调和均值算法;麻雀优化算法;自适应噪声完备集合经验模态分解;长短期记忆模型
中图分类号：
作者姓名：
林川;王翔宇;苏燕;张挺;陈泽钦
作者机构：
福州大学土木工程学院,福州 350108;国网福建省电力有限公司电力科学研究院,福州 350007
文献出处：
引用格式：
[1]林川;王翔宇;苏燕;张挺;陈泽钦-.联合聚类方法和深度学习的混凝土坝变形预测)[J].水力发电学报,2022(10):112-127
A类：
混凝土大坝变形预测,KHM
B类：
聚类方法,混凝土坝变形预测,时序特征,麻雀优化算法,SSA,自适应噪声完备集合经验模态分解,CEEMDAN,降噪处理,序列特征,特征识别,识别能力,分解方法,冗余信息,时序特性,长短期记忆模型
AB值：
0.162234
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
