遗传算法与神经网络在土石坝安全监测资料分析中的应用研究
|
摘要
就我国水库大坝工程监测及自动化管理的现状而言，土石坝工程是一个薄弱环节，不少大坝在带病运行，工程隐患较多，因此及时准确地对土石坝安全监测资料进行分析并建立监测模型，以识别土石坝的运行状况，监控其安全，是十分必要的。而遗传算法、神经网络等人工智能技术的成熟及迅猛发展为上石坝安全监测资料分析提供了新的理论和技术上的支持，依赖于遗传算法基于“优胜劣汰”机制的全局概率搜索特性及神经网络强大的非线性映射能力，本文做了以下主要工作：
首先，应用分层遗传算法对土石坝变形监测中的漏测沉降进行优化计算，并将漏测沉降作为沉降曲线回归模型中的回归因子，克服了常规方法对实际沉降过程描述差而造成漏测沉降计算误差较大的缺点，研究结果表明计算出的漏测沉降更接近于事实。
另外，在土石坝测压管滞后时间难以确定问题上，根据库水位与测压管水位扣除滞后时间后基本满足线性关系原理，提出了基于遗传算法思想的滞后时间优化计算方法，其中库水位与测压管水位过程线的拟合由径向基函数神经网络来实现。不仅实现了电算化，而且实例表明该方法是合理有效、简单可行的。
针对以往监测模型预测精度难以保证的的问题，本文在分析比较了几种土石坝安全监测预报模型的基础上，提出了一种新的安全监测预报模型——遗传回归模型，该模型通过遗传染色体对建模因子进行优选，并在适应度函数中综合考虑模型拟合精度与预测精度平衡。通过实例对模型进行验证，证明该模型是高效可行的，在保证一定拟合精度的基础上，实现了模型预测精度的提高。
最后，总结了本文的研究工作，对今后的研究进行了展望。
As to the actuality of safety monitoring and modern management of dam in our country, earth-rock dam is the feeble section. Many of them have more hidden problems, function in gear, so it is necessary to analyze the prototype observed data and to establish the monitoring model accurately and timely for discerning the operation conditions and controlling its safety. And analysis of safety monitoring data were offered new theoretical and technological supports because of Genetic Algorithm and Artificial Neural Network, based on the development of artificial intelligence. Herein lies the overall probability searching characteristic on Genetic Algorithm which is based upon superior selected and inferior eliminated mechanism, and the powerful ability in nonlinear mapping of Artificial Neural Network, the main work is as follows:
In this paper, omission settlement of earth-rock dam is optimized with Hierarchic Genetic Algorithm by setting the omission settlement as a new regression gene, the result has testified that the value attained from the HGA model is better than the one from early model which is far away from the real settlement process.
Then, concerning the difficulty of ascertaining hysteresis time of piezometric tube, Genetic Algorithm-Radial Basis Function Neural Network model is developed according as the method that reservior level is rectilinear correlation with piezometric tube level, which not only could be calculated by computer but also is showed logical and feasible.
Mainly, in order to resolve the problem of prediction accuracy, after analyzing and comparing several safe monitoring and forecasting models, a new
model--Genetic Regression model is suggested, which the genes used to erect
the earth-rock dam safety monitoring and forecasting model are selected properly through genetic chromosome and the balance between simulation and prediction accuracy is considered in fitness function, finally the insurance of the model's simulation precision and the improvement of the model's forecasting precision is demonstrated by an example.
The last section draws a conclusion from the whole research and take a look into the forth-coming work on the analyzing of earth-rock dam safe monitoring data.
首先，应用分层遗传算法对土石坝变形监测中的漏测沉降进行优化计算，并将漏测沉降作为沉降曲线回归模型中的回归因子，克服了常规方法对实际沉降过程描述差而造成漏测沉降计算误差较大的缺点，研究结果表明计算出的漏测沉降更接近于事实。
另外，在土石坝测压管滞后时间难以确定问题上，根据库水位与测压管水位扣除滞后时间后基本满足线性关系原理，提出了基于遗传算法思想的滞后时间优化计算方法，其中库水位与测压管水位过程线的拟合由径向基函数神经网络来实现。不仅实现了电算化，而且实例表明该方法是合理有效、简单可行的。
针对以往监测模型预测精度难以保证的的问题，本文在分析比较了几种土石坝安全监测预报模型的基础上，提出了一种新的安全监测预报模型——遗传回归模型，该模型通过遗传染色体对建模因子进行优选，并在适应度函数中综合考虑模型拟合精度与预测精度平衡。通过实例对模型进行验证，证明该模型是高效可行的，在保证一定拟合精度的基础上，实现了模型预测精度的提高。
最后，总结了本文的研究工作，对今后的研究进行了展望。
As to the actuality of safety monitoring and modern management of dam in our country, earth-rock dam is the feeble section. Many of them have more hidden problems, function in gear, so it is necessary to analyze the prototype observed data and to establish the monitoring model accurately and timely for discerning the operation conditions and controlling its safety. And analysis of safety monitoring data were offered new theoretical and technological supports because of Genetic Algorithm and Artificial Neural Network, based on the development of artificial intelligence. Herein lies the overall probability searching characteristic on Genetic Algorithm which is based upon superior selected and inferior eliminated mechanism, and the powerful ability in nonlinear mapping of Artificial Neural Network, the main work is as follows:
In this paper, omission settlement of earth-rock dam is optimized with Hierarchic Genetic Algorithm by setting the omission settlement as a new regression gene, the result has testified that the value attained from the HGA model is better than the one from early model which is far away from the real settlement process.
Then, concerning the difficulty of ascertaining hysteresis time of piezometric tube, Genetic Algorithm-Radial Basis Function Neural Network model is developed according as the method that reservior level is rectilinear correlation with piezometric tube level, which not only could be calculated by computer but also is showed logical and feasible.
Mainly, in order to resolve the problem of prediction accuracy, after analyzing and comparing several safe monitoring and forecasting models, a new
model--Genetic Regression model is suggested, which the genes used to erect
the earth-rock dam safety monitoring and forecasting model are selected properly through genetic chromosome and the balance between simulation and prediction accuracy is considered in fitness function, finally the insurance of the model's simulation precision and the improvement of the model's forecasting precision is demonstrated by an example.
The last section draws a conclusion from the whole research and take a look into the forth-coming work on the analyzing of earth-rock dam safe monitoring data.
引文
[1] 潘家铮．风雨兼程50年[J]．水力发电，1999，(10)：8～10，19．
[2] 马永峰，生晓高．大坝失事原因分析及对策探讨[J]．人民长江，2001，32(10)：53～54，59．
[3] 郄志红，练继健，吴鑫淼，等．基于人工神经网络的土坝病害诊断知识获取[J]．水力学报，2002，(12)：109～113．
[4] Duance M, Bowles David S. life-loss estimation: What can we learn from case histories[A]. Proceedings of the Australian Committee on Large Dams Annual Meeting[C]. Jindabyne, New South Wales, Australia, 1999.
[5] Joseph Fiksel. Risk analysis in the 1990s[J]. Risk Analysis, 1990, (2): 195～196.
[6] 商杰，党志良．90年代大坝安全监测的自动化发展．陕西水力发电，1995，11(3)；47～49．
[7] 魏德荣．大坝安全监测及其特征浅析[J]．大坝观测与土工测试，1997，21(4)：1～4，11．
[8] 张日光．我国大坝监测及其技术改造[J]．水力发电，1994，(6)：45～47．
[9] W．珀储[奥地利]．大坝安全监测的发展趋势[J]．水利水电快报，2001，22(23)：1～4．
[10] 覃友中．大坝安全评价的现状及其发展要求[J]．四川水力发电，1996，15(4)：14～20．
[11] 傅琼华，黄真．土石坝安全监测及其资料整理分析方法综述[J]．江西水利科技，1997，23(2)：124～128．
[12] 苏怀智，顾冲时，吴中如．综论人工智能技术在大坝安全监控中的应用．大坝观测与土工测试[J]，2000，24(3)：7～9．
[13] 杨杰，吴中如．大坝监控的国内外研究现状与发展[J]．西安理工大学学报，2002，(1)：26～30．
[14] 李珍照，等．大坝安全监测[M]．北京：中国电力出版社，1997．
[15] 吴中如，沈长松，等．水工建筑物安全监控理论及其应用[M]．南京：河海大学出版社，1990．
[16] 文靳．遗传神经网络理论与应用探究[M]．成都：西安交通大学出版社，1996．
[17] 陈国良，汪煦法，等．遗传算法及其应用[M]．北京：人民邮电出版社，1996．
[18] 李敏强，寇纪松，林丹，等．遗传算法的基本理论与应用[M]．北京：科学出版社，2002．
[19] 李书全，赵胜利，冯利军，等．遗传算法在水利土木工程中的应用[J]．河北农业大学学报，2002，25(4)：184～187．
[20] Goldberg D E. Genetic Algorithm in Search, Optimization and Maching Learning[M]. MA, Addison-Wesley, 1989.
[21] Holland J H. Adaptation in Nature and Artificial Systems[M]. The University of Michigan Press, 1975, MIT Press, 1992.
[22] 张世英，高任祥，刘豹．社会经济系统预测的非线性途径．系统工程年会论文集，1994．
[23] 司昕．预测方法中的神经网络模型[J]．预测，1998，(2)：32～35．
[24] Hanson J, Nelson R. Neural network: and traditional: times serries-methods: A synergistic Combination in state economic forecasts[J]. IEEE Transacion on Neural Network,. 1997, (4): 863～873.
[25] 周继成，周青山，韩飘扬等．人工神经网络[M]．北京：科学出版社，1993．
[26] 张立明．人工神经网络的模型及其应用[M]．上海：复旦大学出版社，1993．
[27] 杨柯．估算土石坝漏测沉降新方法的研究和应用[J]．云南工学院学报，1994，10(1)：23～30．
[28] 刘洵，方朝阳．土石坝测压管水位观测资料分析[J]．中国农村水利水电，2001(7)：53～54，56．
[29] 方朝阳，李步娟，张晓林．瑞利分布在大坝监测数学模型中的应用[J]．武汉水利电力大学学报，1997，30(6)：33～36．
[30] 郑东健，顾冲时，张涛，等．测压管水位的混合模型研究[J]．河海大学学报，2001，29(6)：61～64．
[31] 彭虹，史宇澄．大坝监测资料分析模型的分析[J]．大坝观测与土工测试，1990，(4)：9～14．
[32] 王士军，董昌福．青狮潭水库大坝安全预报模型[J]．广西水利水电，1993，(3)：9～12．
[33] 盛金保，李露．沙河集水库渗流原型观测资料分析与对策[J]．人民长江，1996，(7)：30～33．
[34] 熊先任，杨菊梅，等．洪门大坝位移预报模型与安全监控指标的研究[J]．江西科学，1996，(1)：15～21．
[35] 党志良，土石坝安全监控的统计模型研究[J]．西北大学学报，1998，(2)：175～179．
[36] 黄铭，葛修润，刘俊．大坝垂线位移监测资料分析的四种统计模型[J]．长江科学院院报，2001，(2)：37～40．
[37] 徐洪钟，吴中如．偏最小二乘回归在大坝安全监测中的应用[J]．大坝观测与土工测试，2002，(6)：22～24．
[38] 李小平．岭回归及主成分回归在大坝安全监测资料分析中的应用研究[D]．武汉：武汉水利电力大学，1998．
[39] 李雪红，徐洪钟，顾冲时，等．主成分神经网络在大坝观测资料分析中的应用[J]．大坝观测与土工测试，2001，25(5)：14～16．
[40] 李民．时间序列分析在大坝观测资料分析中的应用[D]．武汉：武汉水利电力大学，1991．
[41] 黄卫兰，徐德林，候新华．大坝观测分析中的数据处理[J]．水利水运科学研究，1997，(2)：183～187．
[42] 周元春，薛桂玉，何金平．大坝安全监测统计模型中的异方差问题[J]．长江水科
院院报，2002，19(1)：42～44．
[43] 张进平．大坝监测数学模型因子集的扩充[J]．大坝观测与土工测试，1999，23(2)：1～3．
[44] 赵斌，吴中如．大坝安全监测数据处理的抗差多元回归模型[J]．大坝观测与土工测试，2000，(3)：18～21。
[45] 张乾飞，顾冲时，郭海庆，等．土石坝渗流确定分析模型研究[J]．武汉水利电力大学学报，2000，(4)：5～9．
[46] 邓聚龙．灰色系统控制[M]．北京：国防科技大学出版社，1985．
[47] 齐长鑫，汪树玉．灰色系统模型在坝基位移模型中的研究[J]．水利学报，1999，(9)：49～52．
[48] 周晓贤．较优GM(1，N)模型在大坝安全监控中的应用[J]．水电能源科学，2002，(2)：45～47．
[49] 党志良，李晓玲．黑河大坝安全监控模糊ISODATA模型研究[J]．西北大学学报，1998，(3)：243～246．
[50] 高杰．模糊聚类分析在土石坝安全监控中的应用[J]．西北水资源与水工程，2002，(2)：22～24．
[51] 杨杰，吴中如，顾冲时．大坝变形监测的BP网络模型与预报研究[J]．西安理工大学学报，2001，(1)：25～29．
[52] 赵斌，吴中如，张爱玲．BP模型在大坝安全监测预报中的应用[J]．大坝观测与土工测试，1999，(6)：1～3．
[53] 吴云芳，李珍照．改进的BP神经网络模型在大坝安全监测预报中的应用[J]．水电站设计，2002，(2)：21～24．
[54] 王铁生，华锡生．基于模糊聚类算法的大坝监控模型研究[J]．水利学报，2003，(6)：115～118．
[55] 高平，薛桂玉．基于小波分析的大坝变形监测模型与预报[J]．水利学报，2003，(7)：107～110．
[56] 岳建平．灰色动态神经网络模型及其应用[J]．水利学报，2003，(7)：120～123．
[57] 赖道平，顾冲时．Elman回归模型在大坝安全监控中的应用[J]．河海大学学报，2003，(8)：255～258．
[58] 陈维江，马震岳，董毓新．建立大坝安全监控数学模型的一种新方法[J]．水利学报，2002，(8)：91～96．
[59] 苏怀智，吴中如，温志萍．遗传算法在大坝安全监控神经网络预报模型建立中的应用[J]．水利学报，2002，(8)：44～48．
[60] 姚新，陈国良，徐慧敏．进化算法研究发展[J]．计算机学报，1995，18(9)：494～706．
[61] [日]玄光南，程润伟．遗传算法与工程设计[M]．北京：科学出版社，2002．
[62] 王小平，曹立明．遗传算法——理论、应用与软件实现[M]．西安：西安交通大学出版社，2002．
[63] Booker L B. Intelligent Behavior as Adaptation to the Task Environment: Doctoral
Dissertation[M]. University of Michigan, Ann, Arbor, 1982.
[64] 丁承民，张传生．遗传算法纵横谈[J]．信息与控制，1997，26(1)：40～47．
[65] 刘洪杰．遗传多峰搜索[J]．系统工程学报，2000，15(4)：321～325．
[66] 李节全，赵良英．一种防止遗传算法成熟前收敛的有效算法[J]．系统工程理论与实践，1999(5)：72～77．
[67] 陈明．基于进化遗传算法的优化计算[J]．软件学报，1998，9(11)：876～879．
[68] Svinvas M, Patnaik L M. Adaptive Probabiities of Crossover and Mutation in Genetic Algorithms[J]. IEEE Transon SMC, 1994, 24(4): 656～667.
[69] 霍倩．遗传算法在旱涝预测中的应用研究[D]．河北保定：河北农业大学，2002．
[70] Holland. J H. Genetic Algorithms and Classifier Systems: Foundations and Future Directions[J]. Proceedings of the Second International Conference on Genetic algorithms,. 1987, (3): 82～89.
[71] Goldberg D E, Korb B, Deb K. Mossy Genetic Algorithm: Motivation, Analysis and First Result[J]. Complex System, 1989, (3): 493～530.
[72] Goldberg D E. Computer-aided Gas pipeline Operation Using Genetic Algorithms and Rule Leaning, Part Ⅰ: Genetic Algorithms in Pipeline Optimization[J]. Engineering with Computer, 1987, (5): 35～45.
[73] 吕航，周激流，魏志成．改进遗传算法搜索性能的研究[J]．小型微型计算机系统，2000，21(11)：1178～1181．
[74] 杨洪敏，林孔元，杨庆红．一种基于改进遗传算法的多峰函数优化研究[J]．计算机工程与科学，2000，22(1)：28～31．
[75] 金聪．改进型遗传算法及其性能分析[J]．小型微型计算机系统，2000，21(9)：950～952．
[76] 闻新，周露，王丹力，等．MATLAB神经网络应用设计[M]．北京：科学出版社，2001．
[77] 张欣，蔡伟光，万健麟，等．利用人工神经网络实现预测建模[J]．预测，1997，(4)：65～67．
[78] Xin Yao. A Review of Evolutionary Artificial Neural Networks[J]. International Journal of Intelligent Systems, 1992, (8): 539～567.
[79] Halbert White Artifixial Neural Networks: appropriation and theory[M]. ISBN1-55786-329-6.
[80] Widraw B, et. Neural Networks'Application in Industry, Bisiness and Science[J]. Communication of the ACM, 1994, 37(1): 93～105.
[81] M T Hagan, H B Demuth. Neural Network Design[M]. PWS publishing company, boston, 1996.
[82] 魏海坤，徐嗣鑫，宋文忠，等．神经网络的泛化理论和泛化方法[J]．自动化学报，2001，27(6)：806～815．
[83] 胡耀波，李鹏，熊惟皓，等．BP网络的实现与应用[J]．机械工程材料，2002，
26(6)：16-18．
[84] 李宇峰，裴旭东，黄聪明，等．BP神经鼹络实际应用中的若干问题[J]．兵工自动化，1998，(1)：1～4．
[85] 陈小前，罗世彬，王振国，等．BP神经阿络应用中的前后处理过程研究[J]．系统工程理论与实践，2002，(1)：65～70，88．
[86] 辛大欣，王长元，肖锋，等．BP神经网络在回归分析中的应用研究[J]．西安工业学院学报，2002，22(2)：129～135．
[87] 王士同，於东军．径向基函数神经网络的构造理论[J]．华东船船工业学院学报，1999，13(2)：5～13．
[88] 王旭东，劭惠鹏．RBF神经网络理论及其在控制中的应用[J]．信息与控制，1997，26(4)：272～284．
[89] 宋保强，付琼．宋彤，等．改进的RBF神经网络及其应用[J]．计算技术与自动化，2001，20(3)：66～69．
[90] 唐彤芝，李国英．徐竹青．土石坝沉降统计预报模型[J]．水利水运工程学报：2001，(3)，29～34．
[91] 蒋玉田．土坝初期漏测沉降量的计算[J]．大坝观测与土工测试：1990，(3)，42～48．
[92] 吴鑫淼，郄志红．用方程y=c+ax~b进行试验数据的回归[J]．河北水利水电技术，1996，(4)：35～37．
[93] Grefenstette J J. Optimization of Control Parameters for Genetic Algorithms[J]. IEEE Transations on Systems, Man, &Cybernetics, 1986, 16(1): 241～218.
[94] Vignaux G A, et. Genetic Algorithm for the Linear Transportation problem[J]. IEEE Transations on Systems, Man, &Cybernetics, 1991, 21(2): 445～452.
[95] 谭浩强．C程序设计[M]．北京：清华大学出版社，1988．
[96] 张国锋．C++语言及其程序设计教程[M]．北京：电子工业出版社，1997．
[97] 陈德亮．水工建筑物[J]．北京：中国水利水电出版社，1980．
[98] SL6094．土石坝安全监测技术规范[S]．
[99] 潘锦江．测压管在设计施工与观测管理中的若干问题探讨[J1．水电自动化与大坝观测，2002，26(1)：57～60．
[100] 劭乃辰等．测压管若干问题的讨论[J]．大坝观测与土工测试，2001，25(5)：6～7．
[101] 赵胜利．遗传神经网络在粉煤灰混凝土强度预测和配合比设计中的应用[D]．河北保定：河北农业大学，2002．
[102] 王苏芳．基于Internet的旱涝灾情评估系统的应用研究[D]．河北保定：河北农业大学，2002．
[103] 王学雷，劭惠鹏，李亚芬，等．一种径向基函数神经网络在线训练算法及其在非线性控制中的应用[J]．信息与控制，2001，30(3)：249～253．
[104] 蔡宁，李胜，赵英凯，等．基于径向基函数神经网络的非线性系统预测控制[J]．石油化工自动化，2002，(5)：31～33．
[105] 欧旭生，陈婉儿．模糊RBF神经网络在时间序列建模中的应用[J]．广东自动化
与信息工程，1999，(1)：25～28．
[106] 张传斌，王学孝，邓正隆，等．非线性时间序列的RBF神经网络预测方法及其应用[J]．热能动力工程，2001，16(3)：311～312，342．
[107] 张晓春，徐晖，邓念武等．径向基函数神经网络在大坝安全监测数据处理中的应用[J]．武汉大学学报(工学版)，2003，36(2)：32～35．
[108] 刘则毅．科学计算技术与MATLAB[M]．北京：科学出版社，2001．
[109] 薛定宇．科学运算语言MATLAB5.3程序设计与应用[M]．北京：清华大学出版社，2000．
[110] 吴中如，顾冲时，沈振中，等．大坝安全综合分析和评价的理论、方法及其应用[J]．水利水电科技进展，1998，(3)：2～6．
[111] 袁亚湘，孙文瑜．最优化理论与方法[M]．北京：科学出版社，1997．
[112] 裴鑫德．多元统计分析及其应用[M]．北京：北京农业大学出版社，1991．
[113] 徐梦华，李珍照，李民．大坝安全监测数学模型若干问题的研究[J]．武汉水利电方大学学报，1999，32(3)：22～24．
[114] 蔡金宝，刘培斌，李五勤．通过观测资料分析土石坝的渗流安全状况[J]．北京水利，2001(3)：39～41．
[115] 刘春来．反分析及其在大坝安全鉴定中的应用研究[D]．河北保定：河北农业大学，2002．
[116] 梁国钱，郑敏生，孙伯永，等．土石坝渗流观测资料分析模型和方法[J]．水力学报，2003，(2)：83～87．
[117] 吴道文．大坝观测资料分析理论及大坝冻化损伤实时监控方法动探[D]．广州：华南理工大学，1994．
[118] 储剑锋．鲁布革心墙堆石坝材料非线性参数识别及后验分析[D]．南京：河海大学，1996．
[2] 马永峰，生晓高．大坝失事原因分析及对策探讨[J]．人民长江，2001，32(10)：53～54，59．
[3] 郄志红，练继健，吴鑫淼，等．基于人工神经网络的土坝病害诊断知识获取[J]．水力学报，2002，(12)：109～113．
[4] Duance M, Bowles David S. life-loss estimation: What can we learn from case histories[A]. Proceedings of the Australian Committee on Large Dams Annual Meeting[C]. Jindabyne, New South Wales, Australia, 1999.
[5] Joseph Fiksel. Risk analysis in the 1990s[J]. Risk Analysis, 1990, (2): 195～196.
[6] 商杰，党志良．90年代大坝安全监测的自动化发展．陕西水力发电，1995，11(3)；47～49．
[7] 魏德荣．大坝安全监测及其特征浅析[J]．大坝观测与土工测试，1997，21(4)：1～4，11．
[8] 张日光．我国大坝监测及其技术改造[J]．水力发电，1994，(6)：45～47．
[9] W．珀储[奥地利]．大坝安全监测的发展趋势[J]．水利水电快报，2001，22(23)：1～4．
[10] 覃友中．大坝安全评价的现状及其发展要求[J]．四川水力发电，1996，15(4)：14～20．
[11] 傅琼华，黄真．土石坝安全监测及其资料整理分析方法综述[J]．江西水利科技，1997，23(2)：124～128．
[12] 苏怀智，顾冲时，吴中如．综论人工智能技术在大坝安全监控中的应用．大坝观测与土工测试[J]，2000，24(3)：7～9．
[13] 杨杰，吴中如．大坝监控的国内外研究现状与发展[J]．西安理工大学学报，2002，(1)：26～30．
[14] 李珍照，等．大坝安全监测[M]．北京：中国电力出版社，1997．
[15] 吴中如，沈长松，等．水工建筑物安全监控理论及其应用[M]．南京：河海大学出版社，1990．
[16] 文靳．遗传神经网络理论与应用探究[M]．成都：西安交通大学出版社，1996．
[17] 陈国良，汪煦法，等．遗传算法及其应用[M]．北京：人民邮电出版社，1996．
[18] 李敏强，寇纪松，林丹，等．遗传算法的基本理论与应用[M]．北京：科学出版社，2002．
[19] 李书全，赵胜利，冯利军，等．遗传算法在水利土木工程中的应用[J]．河北农业大学学报，2002，25(4)：184～187．
[20] Goldberg D E. Genetic Algorithm in Search, Optimization and Maching Learning[M]. MA, Addison-Wesley, 1989.
[21] Holland J H. Adaptation in Nature and Artificial Systems[M]. The University of Michigan Press, 1975, MIT Press, 1992.
[22] 张世英，高任祥，刘豹．社会经济系统预测的非线性途径．系统工程年会论文集，1994．
[23] 司昕．预测方法中的神经网络模型[J]．预测，1998，(2)：32～35．
[24] Hanson J, Nelson R. Neural network: and traditional: times serries-methods: A synergistic Combination in state economic forecasts[J]. IEEE Transacion on Neural Network,. 1997, (4): 863～873.
[25] 周继成，周青山，韩飘扬等．人工神经网络[M]．北京：科学出版社，1993．
[26] 张立明．人工神经网络的模型及其应用[M]．上海：复旦大学出版社，1993．
[27] 杨柯．估算土石坝漏测沉降新方法的研究和应用[J]．云南工学院学报，1994，10(1)：23～30．
[28] 刘洵，方朝阳．土石坝测压管水位观测资料分析[J]．中国农村水利水电，2001(7)：53～54，56．
[29] 方朝阳，李步娟，张晓林．瑞利分布在大坝监测数学模型中的应用[J]．武汉水利电力大学学报，1997，30(6)：33～36．
[30] 郑东健，顾冲时，张涛，等．测压管水位的混合模型研究[J]．河海大学学报，2001，29(6)：61～64．
[31] 彭虹，史宇澄．大坝监测资料分析模型的分析[J]．大坝观测与土工测试，1990，(4)：9～14．
[32] 王士军，董昌福．青狮潭水库大坝安全预报模型[J]．广西水利水电，1993，(3)：9～12．
[33] 盛金保，李露．沙河集水库渗流原型观测资料分析与对策[J]．人民长江，1996，(7)：30～33．
[34] 熊先任，杨菊梅，等．洪门大坝位移预报模型与安全监控指标的研究[J]．江西科学，1996，(1)：15～21．
[35] 党志良，土石坝安全监控的统计模型研究[J]．西北大学学报，1998，(2)：175～179．
[36] 黄铭，葛修润，刘俊．大坝垂线位移监测资料分析的四种统计模型[J]．长江科学院院报，2001，(2)：37～40．
[37] 徐洪钟，吴中如．偏最小二乘回归在大坝安全监测中的应用[J]．大坝观测与土工测试，2002，(6)：22～24．
[38] 李小平．岭回归及主成分回归在大坝安全监测资料分析中的应用研究[D]．武汉：武汉水利电力大学，1998．
[39] 李雪红，徐洪钟，顾冲时，等．主成分神经网络在大坝观测资料分析中的应用[J]．大坝观测与土工测试，2001，25(5)：14～16．
[40] 李民．时间序列分析在大坝观测资料分析中的应用[D]．武汉：武汉水利电力大学，1991．
[41] 黄卫兰，徐德林，候新华．大坝观测分析中的数据处理[J]．水利水运科学研究，1997，(2)：183～187．
[42] 周元春，薛桂玉，何金平．大坝安全监测统计模型中的异方差问题[J]．长江水科
院院报，2002，19(1)：42～44．
[43] 张进平．大坝监测数学模型因子集的扩充[J]．大坝观测与土工测试，1999，23(2)：1～3．
[44] 赵斌，吴中如．大坝安全监测数据处理的抗差多元回归模型[J]．大坝观测与土工测试，2000，(3)：18～21。
[45] 张乾飞，顾冲时，郭海庆，等．土石坝渗流确定分析模型研究[J]．武汉水利电力大学学报，2000，(4)：5～9．
[46] 邓聚龙．灰色系统控制[M]．北京：国防科技大学出版社，1985．
[47] 齐长鑫，汪树玉．灰色系统模型在坝基位移模型中的研究[J]．水利学报，1999，(9)：49～52．
[48] 周晓贤．较优GM(1，N)模型在大坝安全监控中的应用[J]．水电能源科学，2002，(2)：45～47．
[49] 党志良，李晓玲．黑河大坝安全监控模糊ISODATA模型研究[J]．西北大学学报，1998，(3)：243～246．
[50] 高杰．模糊聚类分析在土石坝安全监控中的应用[J]．西北水资源与水工程，2002，(2)：22～24．
[51] 杨杰，吴中如，顾冲时．大坝变形监测的BP网络模型与预报研究[J]．西安理工大学学报，2001，(1)：25～29．
[52] 赵斌，吴中如，张爱玲．BP模型在大坝安全监测预报中的应用[J]．大坝观测与土工测试，1999，(6)：1～3．
[53] 吴云芳，李珍照．改进的BP神经网络模型在大坝安全监测预报中的应用[J]．水电站设计，2002，(2)：21～24．
[54] 王铁生，华锡生．基于模糊聚类算法的大坝监控模型研究[J]．水利学报，2003，(6)：115～118．
[55] 高平，薛桂玉．基于小波分析的大坝变形监测模型与预报[J]．水利学报，2003，(7)：107～110．
[56] 岳建平．灰色动态神经网络模型及其应用[J]．水利学报，2003，(7)：120～123．
[57] 赖道平，顾冲时．Elman回归模型在大坝安全监控中的应用[J]．河海大学学报，2003，(8)：255～258．
[58] 陈维江，马震岳，董毓新．建立大坝安全监控数学模型的一种新方法[J]．水利学报，2002，(8)：91～96．
[59] 苏怀智，吴中如，温志萍．遗传算法在大坝安全监控神经网络预报模型建立中的应用[J]．水利学报，2002，(8)：44～48．
[60] 姚新，陈国良，徐慧敏．进化算法研究发展[J]．计算机学报，1995，18(9)：494～706．
[61] [日]玄光南，程润伟．遗传算法与工程设计[M]．北京：科学出版社，2002．
[62] 王小平，曹立明．遗传算法——理论、应用与软件实现[M]．西安：西安交通大学出版社，2002．
[63] Booker L B. Intelligent Behavior as Adaptation to the Task Environment: Doctoral
Dissertation[M]. University of Michigan, Ann, Arbor, 1982.
[64] 丁承民，张传生．遗传算法纵横谈[J]．信息与控制，1997，26(1)：40～47．
[65] 刘洪杰．遗传多峰搜索[J]．系统工程学报，2000，15(4)：321～325．
[66] 李节全，赵良英．一种防止遗传算法成熟前收敛的有效算法[J]．系统工程理论与实践，1999(5)：72～77．
[67] 陈明．基于进化遗传算法的优化计算[J]．软件学报，1998，9(11)：876～879．
[68] Svinvas M, Patnaik L M. Adaptive Probabiities of Crossover and Mutation in Genetic Algorithms[J]. IEEE Transon SMC, 1994, 24(4): 656～667.
[69] 霍倩．遗传算法在旱涝预测中的应用研究[D]．河北保定：河北农业大学，2002．
[70] Holland. J H. Genetic Algorithms and Classifier Systems: Foundations and Future Directions[J]. Proceedings of the Second International Conference on Genetic algorithms,. 1987, (3): 82～89.
[71] Goldberg D E, Korb B, Deb K. Mossy Genetic Algorithm: Motivation, Analysis and First Result[J]. Complex System, 1989, (3): 493～530.
[72] Goldberg D E. Computer-aided Gas pipeline Operation Using Genetic Algorithms and Rule Leaning, Part Ⅰ: Genetic Algorithms in Pipeline Optimization[J]. Engineering with Computer, 1987, (5): 35～45.
[73] 吕航，周激流，魏志成．改进遗传算法搜索性能的研究[J]．小型微型计算机系统，2000，21(11)：1178～1181．
[74] 杨洪敏，林孔元，杨庆红．一种基于改进遗传算法的多峰函数优化研究[J]．计算机工程与科学，2000，22(1)：28～31．
[75] 金聪．改进型遗传算法及其性能分析[J]．小型微型计算机系统，2000，21(9)：950～952．
[76] 闻新，周露，王丹力，等．MATLAB神经网络应用设计[M]．北京：科学出版社，2001．
[77] 张欣，蔡伟光，万健麟，等．利用人工神经网络实现预测建模[J]．预测，1997，(4)：65～67．
[78] Xin Yao. A Review of Evolutionary Artificial Neural Networks[J]. International Journal of Intelligent Systems, 1992, (8): 539～567.
[79] Halbert White Artifixial Neural Networks: appropriation and theory[M]. ISBN1-55786-329-6.
[80] Widraw B, et. Neural Networks'Application in Industry, Bisiness and Science[J]. Communication of the ACM, 1994, 37(1): 93～105.
[81] M T Hagan, H B Demuth. Neural Network Design[M]. PWS publishing company, boston, 1996.
[82] 魏海坤，徐嗣鑫，宋文忠，等．神经网络的泛化理论和泛化方法[J]．自动化学报，2001，27(6)：806～815．
[83] 胡耀波，李鹏，熊惟皓，等．BP网络的实现与应用[J]．机械工程材料，2002，
26(6)：16-18．
[84] 李宇峰，裴旭东，黄聪明，等．BP神经鼹络实际应用中的若干问题[J]．兵工自动化，1998，(1)：1～4．
[85] 陈小前，罗世彬，王振国，等．BP神经阿络应用中的前后处理过程研究[J]．系统工程理论与实践，2002，(1)：65～70，88．
[86] 辛大欣，王长元，肖锋，等．BP神经网络在回归分析中的应用研究[J]．西安工业学院学报，2002，22(2)：129～135．
[87] 王士同，於东军．径向基函数神经网络的构造理论[J]．华东船船工业学院学报，1999，13(2)：5～13．
[88] 王旭东，劭惠鹏．RBF神经网络理论及其在控制中的应用[J]．信息与控制，1997，26(4)：272～284．
[89] 宋保强，付琼．宋彤，等．改进的RBF神经网络及其应用[J]．计算技术与自动化，2001，20(3)：66～69．
[90] 唐彤芝，李国英．徐竹青．土石坝沉降统计预报模型[J]．水利水运工程学报：2001，(3)，29～34．
[91] 蒋玉田．土坝初期漏测沉降量的计算[J]．大坝观测与土工测试：1990，(3)，42～48．
[92] 吴鑫淼，郄志红．用方程y=c+ax~b进行试验数据的回归[J]．河北水利水电技术，1996，(4)：35～37．
[93] Grefenstette J J. Optimization of Control Parameters for Genetic Algorithms[J]. IEEE Transations on Systems, Man, &Cybernetics, 1986, 16(1): 241～218.
[94] Vignaux G A, et. Genetic Algorithm for the Linear Transportation problem[J]. IEEE Transations on Systems, Man, &Cybernetics, 1991, 21(2): 445～452.
[95] 谭浩强．C程序设计[M]．北京：清华大学出版社，1988．
[96] 张国锋．C++语言及其程序设计教程[M]．北京：电子工业出版社，1997．
[97] 陈德亮．水工建筑物[J]．北京：中国水利水电出版社，1980．
[98] SL6094．土石坝安全监测技术规范[S]．
[99] 潘锦江．测压管在设计施工与观测管理中的若干问题探讨[J1．水电自动化与大坝观测，2002，26(1)：57～60．
[100] 劭乃辰等．测压管若干问题的讨论[J]．大坝观测与土工测试，2001，25(5)：6～7．
[101] 赵胜利．遗传神经网络在粉煤灰混凝土强度预测和配合比设计中的应用[D]．河北保定：河北农业大学，2002．
[102] 王苏芳．基于Internet的旱涝灾情评估系统的应用研究[D]．河北保定：河北农业大学，2002．
[103] 王学雷，劭惠鹏，李亚芬，等．一种径向基函数神经网络在线训练算法及其在非线性控制中的应用[J]．信息与控制，2001，30(3)：249～253．
[104] 蔡宁，李胜，赵英凯，等．基于径向基函数神经网络的非线性系统预测控制[J]．石油化工自动化，2002，(5)：31～33．
[105] 欧旭生，陈婉儿．模糊RBF神经网络在时间序列建模中的应用[J]．广东自动化
与信息工程，1999，(1)：25～28．
[106] 张传斌，王学孝，邓正隆，等．非线性时间序列的RBF神经网络预测方法及其应用[J]．热能动力工程，2001，16(3)：311～312，342．
[107] 张晓春，徐晖，邓念武等．径向基函数神经网络在大坝安全监测数据处理中的应用[J]．武汉大学学报(工学版)，2003，36(2)：32～35．
[108] 刘则毅．科学计算技术与MATLAB[M]．北京：科学出版社，2001．
[109] 薛定宇．科学运算语言MATLAB5.3程序设计与应用[M]．北京：清华大学出版社，2000．
[110] 吴中如，顾冲时，沈振中，等．大坝安全综合分析和评价的理论、方法及其应用[J]．水利水电科技进展，1998，(3)：2～6．
[111] 袁亚湘，孙文瑜．最优化理论与方法[M]．北京：科学出版社，1997．
[112] 裴鑫德．多元统计分析及其应用[M]．北京：北京农业大学出版社，1991．
[113] 徐梦华，李珍照，李民．大坝安全监测数学模型若干问题的研究[J]．武汉水利电方大学学报，1999，32(3)：22～24．
[114] 蔡金宝，刘培斌，李五勤．通过观测资料分析土石坝的渗流安全状况[J]．北京水利，2001(3)：39～41．
[115] 刘春来．反分析及其在大坝安全鉴定中的应用研究[D]．河北保定：河北农业大学，2002．
[116] 梁国钱，郑敏生，孙伯永，等．土石坝渗流观测资料分析模型和方法[J]．水力学报，2003，(2)：83～87．
[117] 吴道文．大坝观测资料分析理论及大坝冻化损伤实时监控方法动探[D]．广州：华南理工大学，1994．
[118] 储剑锋．鲁布革心墙堆石坝材料非线性参数识别及后验分析[D]．南京：河海大学，1996．