本發(fā)明屬于工程地質(zhì)災(zāi)害預(yù)警工程，涉及抽蓄電站地下廠房邊墻變形預(yù)警的可信度分析方法與裝置。

背景技術(shù)：

1、抽水蓄能電站地下廠房是抽水蓄能電站的“心房”，主副廠房猶如龐大的地下宮殿一般，是安裝可逆式水輪機(jī)、發(fā)電機(jī)機(jī)組和各種輔助設(shè)備的建筑物，既是水工建筑物、機(jī)械和電氣設(shè)備的綜合體，又是運(yùn)行人員進(jìn)行生產(chǎn)活動(dòng)的場(chǎng)所。抽蓄電站地下廠房洞室工程具有大跨度、高邊墻、洞室交叉口多，地下洞室群結(jié)構(gòu)復(fù)雜等特點(diǎn)。抽蓄電站地下廠房洞室的開挖極易導(dǎo)致圍巖變形，在施工和運(yùn)行期間隨時(shí)面臨塌方風(fēng)險(xiǎn)，因此加強(qiáng)對(duì)抽蓄電站地下廠房邊墻變形控制對(duì)抽蓄電站地下廠房的安全有重要作用。

2、位移是抽蓄電站地下廠房邊墻變形過程中一個(gè)重要的觀測(cè)指標(biāo)，邊墻變形位移預(yù)測(cè)在工程上具有重要意義。通過研究抽蓄電站地下廠房邊墻變形位移已監(jiān)測(cè)數(shù)據(jù)中蘊(yùn)含的規(guī)律，采用位移時(shí)間序列分析方法預(yù)測(cè)未來抽蓄電站地下廠房邊墻變形位移，是當(dāng)前抽蓄電站地下廠房邊墻變形預(yù)警的重要途徑之一。目前，應(yīng)用位移時(shí)間序列分析方法來對(duì)抽蓄電站地下廠房邊墻變形預(yù)警的方法有多元回歸、arma、灰色系統(tǒng)理論、人工神經(jīng)網(wǎng)絡(luò)(ann)、支持向量機(jī)(svm)等。然而，已有研究對(duì)抽蓄電站地下廠房邊墻變形的預(yù)測(cè)結(jié)果在可信度分析方面還存在著一些不足，主要是由于(1)建立的預(yù)測(cè)模型存在缺陷，包括參數(shù)難以確定、預(yù)測(cè)結(jié)果不準(zhǔn)確等。(2)可信度分析選擇的指標(biāo)不具代表性。(3)可信度的預(yù)測(cè)需要依據(jù)實(shí)測(cè)值來確定，而實(shí)測(cè)值是一個(gè)滯后的“未來”值，因此可信度的分析是不確定的。(4)采用的裝置不夠方便快捷。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明采用的基于信息向量機(jī)的地下廠房邊墻變形預(yù)警的可信度分析方法與裝置可有效解決上述問題。

2、信息向量機(jī)(informative?vector?machine，ivm)是一種基于高斯過程(gaussianprocess)算法的近似算法。由于運(yùn)用了貝葉斯統(tǒng)計(jì)學(xué)習(xí)理論及核方法，信息向量機(jī)具有超參數(shù)自適應(yīng)獲取、高維度及復(fù)雜非線性問題適應(yīng)性強(qiáng)、預(yù)測(cè)輸出具備概率意義等諸多優(yōu)點(diǎn)。同時(shí)，信息向量機(jī)保持了使用核函數(shù)所隱含的過程方差，而這些方差可以被跟蹤，并利用活動(dòng)子集的選擇，為模型提供一個(gè)稀疏的表示，從而顯著降低學(xué)習(xí)的時(shí)間及空間復(fù)雜度。相較于高斯過程，在不損失精度的情況下，信息向量機(jī)算法能夠降低計(jì)算復(fù)雜性和內(nèi)存占用。通過信息向量機(jī)學(xué)習(xí)算法，能夠很好地建立抽蓄電站地下廠房邊墻變形位移時(shí)間序列的非線性映射關(guān)系，從而實(shí)現(xiàn)對(duì)地下廠房邊墻變形的預(yù)測(cè)。

3、對(duì)抽蓄電站地下廠房邊墻變形預(yù)警的信息向量機(jī)可信度分析，是依靠預(yù)測(cè)值的擬合度r來評(píng)估。擬合度r是由預(yù)警模型的預(yù)測(cè)結(jié)果結(jié)合訓(xùn)練集的平均預(yù)測(cè)方差e計(jì)算而來。擬合度r越高，可信度越高。平均預(yù)測(cè)方差e會(huì)及時(shí)更新，即每得到新的實(shí)測(cè)值就計(jì)算其與預(yù)測(cè)值之間的方差，然后重新計(jì)算平均預(yù)測(cè)方差。用已有數(shù)據(jù)的平均預(yù)測(cè)方差來代替實(shí)測(cè)值與預(yù)測(cè)值之間的方差參與擬合度r計(jì)算，可提高預(yù)警指標(biāo)的可信度，因?yàn)檫@個(gè)指標(biāo)不依賴于“未來”的實(shí)測(cè)值，分析結(jié)果的確定性更高。

4、抽蓄電站地下廠房邊墻變形預(yù)警的信息向量機(jī)可信度分析裝置，是上述預(yù)警模型的載體。該裝置使用了高精度三向位移傳感器，保證了位移數(shù)據(jù)的準(zhǔn)確性。同時(shí)，使用無線網(wǎng)橋來進(jìn)行數(shù)據(jù)傳輸，不僅在布置設(shè)備時(shí)方便快捷，而且傳輸距離遠(yuǎn)速度快。

5、本發(fā)明為提高抽蓄電站地下廠房邊墻變形預(yù)警的準(zhǔn)確性提供了一種新的方法和裝置，在一定程度上解決了地下廠房邊墻變形預(yù)測(cè)的工程實(shí)際問題，為評(píng)價(jià)地下洞室的整體穩(wěn)定性和支護(hù)處理措施選擇提供參考。

6、本發(fā)明目的在于，針對(duì)抽蓄電站由于地下洞室群開挖導(dǎo)致洞室間巖體發(fā)生變形破壞，為抽蓄電站地下廠房邊墻變形的預(yù)警提供一種信息向量機(jī)可信度分析方法和裝置。

7、本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案如下：

8、第一部分，本發(fā)明提供抽蓄電站地下廠房邊墻變形預(yù)警的可信度分析方法，包括以下步驟：

9、步驟1：構(gòu)建基于信息向量機(jī)的抽蓄電站地下廠房邊墻變形預(yù)警模型，簡(jiǎn)稱預(yù)警模型；將抽蓄電站地下廠房邊墻變形的歷史實(shí)測(cè)數(shù)據(jù)整理出來，分成訓(xùn)練集和測(cè)試集兩個(gè)集合。訓(xùn)練集用于訓(xùn)練預(yù)警模型。測(cè)試集用于對(duì)訓(xùn)練好的預(yù)警模型進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果來修改調(diào)整預(yù)警模型參數(shù)。

10、步驟2：建立基于信息向量機(jī)的預(yù)警模型，本發(fā)明所采用的是信息向量機(jī)機(jī)器學(xué)習(xí)方法，該方法近似于高斯過程機(jī)器學(xué)習(xí)方法。而高斯過程模型的構(gòu)建主要包含以下四個(gè)步驟：

11、(1)定義邊緣近似函數(shù)

12、以貝葉斯公式為根據(jù)，隱變量集f和輸出觀測(cè)值y的聯(lián)合分布表示為：

13、

14、式中，p(yn|fn)是噪聲模型，它表明了隱變量f和輸出觀測(cè)值y之間的聯(lián)系。對(duì)公式(11)積分可以得到邊緣似然函數(shù)：

15、

16、式中，b為對(duì)角矩陣，它的第n個(gè)對(duì)角元素為βn,βn的值為

17、(2)計(jì)算后驗(yàn)分布

18、以貝葉斯公式和多元高斯分布為依據(jù)，聯(lián)合式(4)和式(5)可得f的后驗(yàn)分布：

19、

20、高斯過程模型中的一個(gè)重要假設(shè)條件是噪聲模型必須服從高斯分布。信息向量機(jī)通過adf構(gòu)造近似函數(shù)代替非高斯后驗(yàn)分布以保持模型的適用性。在adf算法中，真實(shí)后驗(yàn)分布逼近過程是將j中的訓(xùn)練數(shù)據(jù)ni加入到i中，則后驗(yàn)分布(f)可更新為：

21、

22、利用矩匹配實(shí)現(xiàn)kl散度的最小化，新的近似為qi(f)＝n(f|μi,∑i)，其中μi是qi(f)的均值向量，∑i是qi(f)的協(xié)方差矩陣，它們的更新公式為：

23、

24、其中，

25、綜上所示，利用adf算法可以利用高斯噪聲模型對(duì)任何噪聲模型進(jìn)行近似逼近。

26、(3)核參數(shù)θ學(xué)習(xí)

27、通過式(5)的邊緣似然函數(shù)最大化進(jìn)行核參數(shù)θ估計(jì)，包含θ的目標(biāo)函數(shù)如下：

28、θml＝argmax?p(y|x,θ)?(9)

29、通過訓(xùn)練樣本直接進(jìn)行核參數(shù)的選擇就是高斯過程的訓(xùn)練過程。通過確定核參數(shù)即可預(yù)測(cè)分類預(yù)測(cè)樣本。

30、(4)數(shù)據(jù)預(yù)測(cè)

31、計(jì)算得到最優(yōu)核參數(shù)θml后，根據(jù)p(f|x,θ)＝n(f|0,k)和多元高斯分布的性質(zhì)可得到[ff(x)]的聯(lián)合分布。通過聯(lián)合分布與后驗(yàn)分布對(duì)f的積分獲取，如下：

32、

33、其中，為后驗(yàn)協(xié)方差函數(shù)；

34、μ(x)＝ktk-1∑by代表后驗(yàn)均值函數(shù)。

35、確定了f(x)的分布，即可預(yù)測(cè)f(x)在x的函數(shù)值，即為預(yù)測(cè)過程。

36、對(duì)于高斯過程的二元分類問題，其分類結(jié)果為概率值。因此，可選用s型函數(shù)中的累積高斯函數(shù)進(jìn)行轉(zhuǎn)換，得到高斯過程分類的概率噪聲模型：

37、

38、歸一化常數(shù)zi：

39、

40、因此，近似逼近qi(f)的均值向量和協(xié)方差矩陣更新公式中的參數(shù)gin與γin可分別表示為：

41、

42、其中，gin表示gi的第n各元素，γin則代表γi的第n個(gè)對(duì)角線元素，那么的第n個(gè)對(duì)角線元素υin為：

43、

44、則噪聲模型的近似高斯分布中mn與βn的計(jì)算公式如下：

45、

46、綜上表示分類問題的邊緣似然函數(shù)的近似公式：

47、p(y)≈n(m|0,k+b-1)(18)

48、當(dāng)訓(xùn)練樣本的數(shù)量為n時(shí)，在θ學(xué)習(xí)過程中，解算邊緣似然函數(shù)對(duì)θ的梯度時(shí)，計(jì)算復(fù)雜度為o(n3)，并占用o(n2)的內(nèi)存。當(dāng)n數(shù)值較大時(shí)，計(jì)算效率會(huì)受到很大影響，也限制模型的廣泛適用。信息向量機(jī)機(jī)器學(xué)習(xí)算法通過引入活動(dòng)子集選擇與參數(shù)優(yōu)化近似高斯過程機(jī)器學(xué)習(xí)的過程：

49、(1)活動(dòng)子集選擇：

50、在信息向量機(jī)中計(jì)算j中的每個(gè)數(shù)據(jù)點(diǎn)后驗(yàn)微分熵，選擇具有最大后驗(yàn)微分熵的數(shù)據(jù)點(diǎn)加入到i。當(dāng)為i選擇第i個(gè)信息向量時(shí)，針對(duì)j中的第n個(gè)數(shù)據(jù)點(diǎn)，其后驗(yàn)微分熵為：

51、

52、對(duì)式(10)中的σi-1進(jìn)行稀疏表以降低占用內(nèi)存，因此利用原始方差矩陣σ0＝k的連續(xù)矢量積可解算獲得σi：

53、

54、式中，mi為i×n階矩陣，第k行為nk代表i包括的第k個(gè)信息向量。由于ζi-1,n為協(xié)方差陣σi-1中的第n個(gè)對(duì)角元素。則后驗(yàn)協(xié)方差矩陣ζi的更新公式，以對(duì)角形式表示：

55、

56、而后驗(yàn)均值輸出向量更新公式為：

57、

58、綜上，可以根據(jù)信息向量機(jī)活動(dòng)子集選擇算法確定活動(dòng)子集：

59、1.初始化。設(shè)定活動(dòng)子集中信息向量數(shù)量為d；m＝0；設(shè)ζ0＝diag(k)；μ＝0；非活動(dòng)子集為所有訓(xùn)練樣本數(shù)據(jù)j；活動(dòng)子集i為空集，s0為空矩陣。

60、2.當(dāng)i＝1時(shí)，遍歷所有的訓(xùn)練樣本n∈j，根據(jù)式(13)、(14)、(15)計(jì)算得到gin，γin和υin；根據(jù)公式(19)計(jì)算得到δhin。

61、3.計(jì)算最大后驗(yàn)微分熵對(duì)應(yīng)的數(shù)據(jù)點(diǎn)ni＝argmaxn∈jδhin。

62、4.根據(jù)式(16)、(17)更新mn和βn，并利用式(21)、(22)計(jì)算得到ζi和μi。

63、5.擴(kuò)展到mi-1，再更新mi。

64、6.將第ni個(gè)數(shù)據(jù)添加到i中，并將其從j中去掉。

65、7.重復(fù)1～6直到選出d個(gè)數(shù)據(jù)進(jìn)i中。

66、通過上述步驟，可得到用于訓(xùn)練的活動(dòng)子集i。

67、(2)參數(shù)優(yōu)化

68、信息向量機(jī)算法利用活動(dòng)子集中的訓(xùn)練樣本代替所有訓(xùn)練樣本進(jìn)行高斯近似，可得邊緣似然函數(shù)為

69、

70、核函數(shù)參數(shù)θ包含于ki中，采用尺度共軛梯度法最大化式(23)的邊緣似然函數(shù)即可得到最優(yōu)的θ。

71、步驟3：訓(xùn)練基于信息向量機(jī)的預(yù)警模型。將歷史實(shí)測(cè)數(shù)據(jù)中的訓(xùn)練集分成多組位移時(shí)間序列，作為輸入向量輸入到初步建立的預(yù)警模型中，采用k倍交叉驗(yàn)證法(k-foldcross?validation，k-cv)將樣本隨機(jī)分成10份(k＝10)，依次選定其中1份作為驗(yàn)證樣本，另外9份作為訓(xùn)練樣本，進(jìn)行10次，最后以10次驗(yàn)證結(jié)果的正確率的平均值對(duì)算法進(jìn)行估計(jì)，達(dá)到95％的正確率即可得到一個(gè)可靠的基于信息向量機(jī)的最優(yōu)去噪?yún)?shù)分類模型。根據(jù)預(yù)測(cè)值與實(shí)測(cè)值的擬合度不斷修改預(yù)警模型的相關(guān)參數(shù)，并確定最佳位移時(shí)間序列長度l與平均預(yù)測(cè)方差e。

72、以歷史實(shí)測(cè)數(shù)據(jù)構(gòu)成訓(xùn)練模型學(xué)習(xí)樣本(xi,yi)的具體方法，其中i＝1,2,…,n，輸入的樣本向量，其中xi為歷史實(shí)測(cè)數(shù)據(jù)的前i項(xiàng)，yi為對(duì)應(yīng)的下一時(shí)刻實(shí)測(cè)位移數(shù)據(jù)。

73、步驟4：測(cè)試基于信息向量機(jī)的預(yù)警模型。將歷史實(shí)測(cè)數(shù)據(jù)中的測(cè)試集按最佳時(shí)間序列長度l組成多組輸入向量，輸入到已訓(xùn)練好的預(yù)警模型中，根據(jù)預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的擬合度，判斷預(yù)警模型是否可行。若預(yù)測(cè)結(jié)果不理想，則返回步驟3重新訓(xùn)練預(yù)警模型。

74、步驟5：結(jié)合抽蓄電站地下廠房邊墻變形已有的實(shí)測(cè)數(shù)據(jù)構(gòu)成一組長度為l的位移時(shí)間序列樣本n，作為輸入向量。

75、步驟6：將輸入向量輸入至已訓(xùn)練好的預(yù)警模型中，得到對(duì)應(yīng)a時(shí)刻的預(yù)測(cè)位移數(shù)據(jù)。

76、步驟7：將a時(shí)刻的預(yù)測(cè)位移數(shù)據(jù)與訓(xùn)練集平均預(yù)測(cè)方差進(jìn)行優(yōu)度擬合分析，得到擬合度r，確定預(yù)警的可信度。

77、步驟8：更新平均預(yù)測(cè)方差e。利用布置在現(xiàn)場(chǎng)的高精度三向位移傳感器實(shí)時(shí)采集抽蓄電站地下廠房邊墻變形位移x，計(jì)算實(shí)測(cè)值與預(yù)測(cè)值之間的方差e1，并更新平均預(yù)測(cè)方差e*。

78、進(jìn)一步的，擬合度r根據(jù)統(tǒng)計(jì)學(xué)中的優(yōu)度擬合思想演變而來，統(tǒng)計(jì)學(xué)中用來分析回歸分析計(jì)算結(jié)果，在本發(fā)明步驟3中，結(jié)合預(yù)測(cè)值和樣本集平均預(yù)測(cè)方差e來計(jì)算擬合度。同樣的，擬合度r為一個(gè)介于0和1之間的值，r的值越接近1證明擬合度越好，即預(yù)警模型預(yù)測(cè)的可信度越高。

79、

80、式中：yi表示變形位移預(yù)測(cè)值，e表示樣本集的平均預(yù)測(cè)方差。

81、實(shí)測(cè)值與預(yù)測(cè)值之間的方差e1的計(jì)算公式如下：

82、

83、式中：表示變形位移實(shí)測(cè)值。

84、更新平均預(yù)測(cè)方差e*的方法為，設(shè)樣本位移數(shù)為n。則更新樣本平均預(yù)測(cè)方差為：

85、

86、依此類推，隨著實(shí)測(cè)變形位移值的更新，實(shí)時(shí)根據(jù)實(shí)測(cè)值與預(yù)測(cè)值之間的方差更新樣本平均方差。

87、表1可信度判斷標(biāo)準(zhǔn)表

88、

89、

90、表中a，b，c為依據(jù)工程實(shí)際情況定的閾值標(biāo)準(zhǔn)。

91、步驟3中的位移時(shí)間序列的構(gòu)建步驟如下：

92、(1)：輸入抽蓄電站地下廠房邊墻已監(jiān)測(cè)的變形位移數(shù)據(jù)按最佳長度l構(gòu)建位移時(shí)間序列樣本數(shù)據(jù)n。

93、(2)：設(shè)歷史點(diǎn)位為l，將前1～l個(gè)實(shí)測(cè)位移數(shù)據(jù)作為輸入向量x。

94、(3)：將輸入向量輸入至預(yù)警模型中，得到對(duì)應(yīng)的第l+1個(gè)預(yù)測(cè)位移數(shù)據(jù)。然后用第l+1個(gè)實(shí)測(cè)位移數(shù)據(jù)替換原輸入向量最老的一個(gè)值，構(gòu)成具有同等時(shí)間長度的新輸入序列，得到第l+2個(gè)預(yù)測(cè)位移數(shù)據(jù)，然后用第l+2個(gè)實(shí)測(cè)位移數(shù)據(jù)替換原輸入向量最老的一個(gè)值，構(gòu)成具有同等時(shí)間長度的新輸入序列；以此類推，滾動(dòng)構(gòu)建多個(gè)邊坡位移時(shí)間序列樣本。

95、進(jìn)一步的，步驟1中預(yù)警模型的構(gòu)建步驟如下：

96、s1：選擇樣本。將抽蓄電站地下廠房邊墻變形的歷史實(shí)測(cè)位移數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練基于信息向量機(jī)的預(yù)警模型。測(cè)試集用于對(duì)訓(xùn)練好的預(yù)警模型進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果來修改調(diào)整預(yù)警模型參數(shù)。

97、s2：構(gòu)建樣本。根據(jù)地下廠房邊墻變形位移的實(shí)測(cè)資料，構(gòu)建位移時(shí)間序列。設(shè)歷史點(diǎn)數(shù)為l，將前1～l個(gè)實(shí)測(cè)值作為輸入向量，將第l+1個(gè)預(yù)測(cè)值作為輸出值，由此構(gòu)成第1個(gè)樣本；然后用第l+1個(gè)實(shí)測(cè)值作為新實(shí)測(cè)值替換原輸入向量最老的一個(gè)值，構(gòu)成具有同等時(shí)間長度的新輸入序列，并將第l+2個(gè)預(yù)測(cè)值作為輸出值，進(jìn)而構(gòu)成第2個(gè)樣本；以此類推，構(gòu)建系列位移時(shí)間序列樣本。

98、s3：建立邊墻變形預(yù)警模型。訓(xùn)練預(yù)警模型，設(shè)置預(yù)警模型的初始參數(shù)，采用經(jīng)典的k倍交叉驗(yàn)證方法，在達(dá)到95％及以上的正確率時(shí)完成一個(gè)信息向量機(jī)的邊墻變形預(yù)警模型，由此建立任意時(shí)刻的位移值與前l(fā)個(gè)時(shí)刻的位移值之間的非線性映射關(guān)系，并確定最佳位移時(shí)間序列長度l。

99、s4：用測(cè)試集驗(yàn)證預(yù)警模型預(yù)測(cè)性能。若預(yù)測(cè)值與實(shí)測(cè)值之間的擬合度高，則認(rèn)為建立的邊墻變形預(yù)警模型性能符合要求，對(duì)于抽蓄電站地下廠房邊墻變形的預(yù)測(cè)具有可行性；否則，調(diào)整樣本和預(yù)警模型訓(xùn)練參數(shù)，重新訓(xùn)練預(yù)警模型。

100、第二部分，本發(fā)明還提供抽蓄電站地下廠房邊墻變形預(yù)警的可信度分析裝置，包括現(xiàn)場(chǎng)裝置和終端設(shè)備?，F(xiàn)場(chǎng)設(shè)備包括采集單元、傳輸單元，終端設(shè)備包括傳輸單元、處理單元、評(píng)估單元。

101、采集單元，包括高精度三向位移傳感器，布置在抽蓄電站地下廠房邊墻位移監(jiān)測(cè)處，和無線設(shè)備連接，用于實(shí)時(shí)采集抽蓄電站地下廠房邊墻三個(gè)方向位移變化數(shù)據(jù)。

102、傳輸單元，包括無線數(shù)據(jù)傳輸模塊。無線數(shù)據(jù)傳輸模塊采用無線網(wǎng)橋技術(shù)，它是一種在鏈路層實(shí)現(xiàn)lan互聯(lián)的存儲(chǔ)轉(zhuǎn)發(fā)設(shè)備，把空氣當(dāng)作介質(zhì)來傳播信號(hào)，可以有效解決有線部署困難的問題。無線設(shè)備分別與采集單元的位移傳感器和處理單元連接，用于實(shí)現(xiàn)現(xiàn)場(chǎng)設(shè)備和終端設(shè)備之間的數(shù)據(jù)傳輸。

103、處理單元，包括微處理器和讀寫存儲(chǔ)器，用于將位移輸入向量運(yùn)用訓(xùn)練好的預(yù)警模型對(duì)某時(shí)刻的抽蓄電站地下廠房邊墻變形位移進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)數(shù)據(jù)結(jié)合平均預(yù)測(cè)方差e進(jìn)行優(yōu)度擬合分析。微處理器是一片大規(guī)模集成電路組成的中央處理器，負(fù)責(zé)提取讀寫存儲(chǔ)器中腳本指令、執(zhí)行腳本指令以及控制其他組件。讀寫存儲(chǔ)器，用于存儲(chǔ)計(jì)算過程中所需的各類程序腳本和產(chǎn)生的各類數(shù)據(jù)、基于信息向量機(jī)的分類模型、預(yù)測(cè)結(jié)果等。

104、評(píng)估單元，包括一個(gè)可信度計(jì)算算法，編入讀寫存儲(chǔ)器，用于計(jì)算預(yù)測(cè)值的優(yōu)度擬合，得出擬合度r，根據(jù)擬合度r的大小評(píng)估預(yù)警的可信度。

105、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢(shì)在于：

106、(1)抽蓄電站地下廠房邊墻變形預(yù)警的可信度分析方法，利用當(dāng)前已有的邊墻變形位移實(shí)測(cè)值輸入預(yù)警模型得出的預(yù)測(cè)值，結(jié)合訓(xùn)練樣本集平均預(yù)測(cè)方差e計(jì)算擬合度r，進(jìn)而進(jìn)行可信度分析，減弱可信度于“未來”實(shí)測(cè)值之間的關(guān)聯(lián)，從而降低了不確定性，顯著提高了預(yù)警準(zhǔn)確率。

107、(2)抽蓄電站地下廠房邊墻變形的樣本數(shù)據(jù)一般是有限的，屬于小樣本問題，現(xiàn)有的機(jī)器學(xué)習(xí)模型對(duì)于小樣本回歸問題，易出現(xiàn)“過(或欠)學(xué)習(xí)”問題，且存在參數(shù)難以確定的問題，而基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的信息向量機(jī)對(duì)小樣本回歸問題具有良好的適應(yīng)性。

108、(3)本發(fā)明提出的抽蓄電站地下廠房邊墻變形預(yù)警的可信度分析裝置，將監(jiān)測(cè)抽蓄電站地下廠房邊墻變形的高精度三向位移傳感器信號(hào)通過傳輸單元采用無線網(wǎng)橋的方式輸送給處理單元。再經(jīng)由訓(xùn)練好的基于信息向量機(jī)的預(yù)警模型輸出某一時(shí)刻的邊墻變形預(yù)測(cè)位移，依據(jù)擬合度分析結(jié)果進(jìn)行可信度分析。該裝置能夠?qū)崟r(shí)地輸入和輸出信號(hào)，具有快捷方便的特點(diǎn)，同時(shí)，高精度三向位移傳感器可以廣泛的安裝在地下廠房邊墻監(jiān)測(cè)的不同斷面，適用性強(qiáng)。

109、(4)本發(fā)明提供的抽蓄電站地下廠房邊墻變形預(yù)警的信息向量機(jī)可信度分析裝置采用無線網(wǎng)橋技術(shù)，無線網(wǎng)橋技術(shù)與傳統(tǒng)有線技術(shù)比較起來，具有部署方便、傳輸距離遠(yuǎn)以及傳輸速度快的優(yōu)點(diǎn)。只要處于無線網(wǎng)絡(luò)覆蓋區(qū)域，現(xiàn)場(chǎng)設(shè)備可以很方便的接入網(wǎng)絡(luò)，同時(shí)，終端設(shè)備也可以實(shí)現(xiàn)零配置接入，非常方便快捷。