0 引 言

大坝变形监控模型受多因素的综合影响，其表现为一个复杂的非线性函数关系，对大坝工作性态的模拟和预测，也一直是大坝安全监控研究的重点。目前，常用的安全监控模型有统计模型、确定性模型以及混合模型[1]；研究方法有逐步回归方法[2]和时间序列方法[3]等。近年来，随着一些新型学科的不断发展，神经网络方法[4]、小波分析[5]、支持向量机[6]等方法已应用于混凝土坝的安全监测之中，这些方法为解决大坝工作性态拟合和预报起到了重要作用，但也存在诸多不足。逐步回归方法预报值波动大，部分测值失真可致拟合效果不佳[7]；时间序列方法易受环境量相关性的影响[8]；神经网络方法易陷入局部最优，对初始权值和阈值较敏感[9]；小波分析去噪时易造成大方差，且所得信号可能出现伪吉布斯现象[10]等不足。

针对传统监控模型的不足，依据SVM在处理小样本、高维数、非线性等问题的计算优势，以及其良好的泛化能力[11]，采用改进SVM算法(ISVM)与逐步回归方法结合，有效的弥补了逐步回归方法预报值波动大，部分测值失真可致拟合效果不佳的缺点，利用ISVM算法对影响大坝变形的水压分量进行拟合和预报，并将其预报值与温度分量、时效分量相结合，采用逐步回归方法建立基于ISVM—逐步回归组合方法的大坝变形监控模型，可有效提高模型预报精度。为探究该模型拟合及预测效果，将其结果与逐步回归—逐步回归、ISVM—ISVM及逐步回归—ISVM组合的预报结果进行对比分析。

1 混合预报模型的建立

1.1 大坝位移预报模型中各因子的选取

大坝中任一点的位移δ可表示为水压分量δH、温度分量δT和时效分量δθ三者的叠加，形如[12]：

δ=δH+δT+δθ

(1)

(1)水压分量δH。通常采用逐步回归方法模拟水压分量δH与水位之间的函数关系，其多项式拟合表达式形如：

 

(2)

式中：ai为回归系数；对于重力坝，常采用三次式，即m1=3；对于拱坝，常采用四次式，即m1=4。

(2)温度分量δT。对于服役时间较长，但大坝工作正常且只有气温观测资料时，坝体内部任一点的温度变化可用周期函数来表示，考虑到位移温度分量与混凝土温度呈线性关系，故选取多周期的谐波作因子：

开发利用区，主要指具有满足工农业生产、城镇生活、渔业、娱乐等多种需水要求的水域。开发利用区应当坚持开发与保护并重，充分发挥水资源的综合效益，保障水资源可持续利用；同时具有多种使用功能的开发利用区，应当按照其最高水质目标要求的功能实行管理。

 

(3)

式中：i=1时为年周期，i=2时为半年周期，……。n一般取1，2；b1i和b2i为回归系数；t为监测值至始测值累计天数。

(3)时效分量δθ。时效分量综合反映了坝体混凝土及基岩的徐变、塑性变形以及坝体混凝土裂缝导致的不可逆位移和自身体积变形。其一般采用下式表示：

δθ=c1(t-t0)/100+c2ln [(t-t0)/100+1]

(4)

式中：c1和c2为回归系数；t0为基准日期；t为监测日期。

1.2 改进SVM建模原理

改进的SVM模型(ISVM)是在标准SVM模型上进行了改进，通过参数ν实现对经验误差ε的自动计算[13]。设存在一组训练样本集：

第一，为提高员工工作绩效，应注重对员工谦虚沉稳态度的培养；第二，从企业长期发展、不断创造最大化经济效益的角度出发，注重对员工感恩奉献精神的培养；第三，为激发员工积极进取、提升自身综合能力，应培养员工尊敬礼让的良好品质；第四，通过提升员工包容宽恕的态度，为促进员工工作绩效的提升奠定良好基础。

T={(xi，yi)|i=1，…，n}，xi∈Rn，yi∈R

(5)

式中：xi为输入数据；yi为目标输出数据。在回归问题中，就是采用一个非线性映射函数φ(x)将样本从原空间映射到高维的特征空间，即从输入空间中Rn到输出空间R上的映射f：Rn→R。设回归函数如下：

在当代绘画中，肌理作为一种新的语言形式，同时也作为一种新的视觉艺术，大大的丰富了画面内容。它推翻了笔作为唯一的绘画工具的局面，为绘画注入一股新鲜的血液。艺术家借鉴传统的肌理绘画方式并不断推陈出新，大胆探索，形成了自己独有的艺术风。

f(x)=(ω·φ(x))+b

(6)

式中：ω为全矢量；b为偏置量；x∈Rn；b∈R。

会计制度是行政事业单位进行会计管理和核算的重要依据， 2019年1月1日起行政事业单位将全面实行政府会计制度，该如何做好新旧会计制度的衔接呢？本文就新旧会计制度衔接的难点进行分析，并以此提出新旧会计制度衔接的具体措施，希望能够对行政事业单位的会计工作有所帮助。

某混凝土重力坝坝顶高程179.00 m，最大坝高113.00 m，坝顶总长308.50 m，坝顶宽7.00 m，最大坝底宽84.50 m。水库正常蓄水位173.00 m，调节库容11.22亿m3，校核洪水位177.80 m，相应总库容20.35亿m3。2#坝段有限元模型以六面体八节点单元为主，其中坝体部分共有单元4 463个，节点5 393个；基岩部分共有单元12 440个，节点13 933个，假设有限元模型中弹性模量取24.0 GPa。该大坝共分6个坝段，选取2#典型坝段正垂线测点PL5(179.00 m高程)建立模型，2#坝段有限元模型如图2所示，大坝各特征水位及相应特征水位下的ANSYS计算值如表1所示。

业务专项审计，是我国商业银行内部审计的重点内容，开展的频率最高，其他方面的审计类似对高管的业绩评价则重视程度不足，相应的开展层次也不深。但尽管业务专项审计在我国商业银行的内部审计中已经算是经验较为丰富，但对其检查的程度也并不深入，大多数停留在合规性的层次上，偶尔也会稍微延展到新建非现场数据模型、开展飞行突检、实施整体接管式检查等层面。但是审计手段上的革新对于审计结果的价值并没有根本性提升，自然也就得不到管理者的重视。

 

(7)

其中：

Lε=(yi，f(xi))=max {0，|yi-f(xi)-ε}

(8)

式中：式(7)右侧第一项为规则化项，第二项为经验风险泛化函数；C惩罚参数，通常为常数；Lε(yi，f(xi))为损失函数，常采用不敏感损失函数ε，其取值为估计输出f(xi)与期望输出yi差的绝对值与ε中较大者。

在规则化的风险泛函中引入两个非负松弛变量，如下式所示：

1.实施绩效评估程序，找出审计“风险点”。绩效审计，首先，需要审计人员分析审计对象所处的环境，了解被审计对象为实现目标所制定的总体战略；其次，要分析内部管理环节；最后，要利用职业判断对绩效进行评估，确定其绩效。对于油田企业来说，绩效评估环节应重点了解整个企业总体管理情况、组织机构、内控制度的制定与执行、企业生产经营运行与效能、资源利用与管理等。设计绩效评估程序，从预备性调查开始，通过绩效分析评估，确定每个审计目标的控制或实质性测试的方法。绩效评估可结合实际情况，采用定性分析和定量分析相结合的方法。

 

(9)

采用如下约束：

 

(10)

该二次优化问题的对偶问题如下：

 

(11)

式中：均为方程待定系数。

由表3可知，在预报阶段，逐步回归—逐步回归模型的精度已经很高，且均高于ISVM—ISVM及逐步回归—ISVM组合建立的模型，而采用ISVM—逐步回归组合建立的模型得到的预报结果可从两项误差指标得以反映，其两项误差指标分别为MSE=0.08，MAPE=0.18，均好于逐步回归—逐步回归模型的两项误差指标MSE=0.11，MAPE=0.25，由此可见，采用ISVM—逐步回归组合可以有效的提高模型预报的精度，这是由于模型中的水压分量是采用ISVM算法进行模拟，该算法是基于结构风险最小原理，能有效的解决小样本、高维数、非线性的问题，能从一定程度上顾及水位与坝体位移间的部分非线性关系，使水压分量的精度得以改善，进而提高监控模型的预报精度，故对于大坝位移监控，采用ISVM—逐步回归方法进行建模将更为合理。

定义 1[18] 我们说一个群体{1,…,k}具有等级制度,如果对于所有的Rd,邻接矩阵Ax=(aij(x))满足:(ⅰ) aij≠0暗含j   1。集合L(i)={j|aij>0}是非空的，称L(i)为个体i的领导集,这样的群体为等级群体。 

 

(12)

求解二次优化问题，得α值及ω的表达式为：

 

(13)

最终可得回归方程近似解为：

 

(14)

[6] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40(1)：2～10.

K(xi，xj)=(φ(xi)T·φ(xj))

(15)

核函数是通过特征变换的定义使训练样本在特征空间实现某种特征变化。其注重的是变换后的结果，并非变换的具体形式。常用的核函数主要有径向基核函数、多项式核函数及感知器核函数等[11]，不同的核函数对ISVM的影响不大，本文采用较常用的径向基核函数，其具体形式如下：

 

(16)

本文通过采用SVM算法对水压分量进行模拟，并结合逐步回归方法建立混凝土坝变形监控模型，有效地将结构计算成果与数据训练方法相结合，体现了大坝在水压力作用下的力学特征，通过采用组合方法构建大坝变形监控模型，可以得出以下结论：

建立ISVM模型的关键对惩罚参数C和核函数参数σ的选取，本文将采用粒子群算法对参数C和σ进行寻优，其中一个粒子即代表一个ISVM模型。

1.3 逐步回归方法

在混凝土坝安全监测中，采用逐步回归分析方法进行大坝变形预测，通过对具有相关关系的荷载集(自变量)及荷载效应(因变量)进行数理统计分析，找出各预报因子对大坝变形的影响，并建立相应的数学表达式，由此推求某一荷载集作用下大坝位移预报值，并与原型观测数据进行比对与残差分析，以此完成大坝的的监测预报。

逐步回归的基本思想是：在建模过程中，将各自变量根据自身对因变量的影响程度大小，以从大到小的顺序依次引入回归方程，为使模型所建立的回归方程具有良好的精度，需随时对回归方程当时所含的全部变量进行显著性检验，若不显著则将其剔除，直到方程中所含的所有自变量对因变量的作用显著时，方可引入新的变量。再在剩下的未选自变量中，选出对因变量影响最大者，检验其是显著性，若显著，则引入方程，否则不引入。直至最后既无显著自变量可以引入，也无不显著自变量需要剔除。

1.4 ISVM—逐步回归组合预报模型的建立

ISVM方法是基于统计学理论的一种新的机器学习算法，该方法可实现由低维空间到高维空间的非线性映射，能较好的解决小样本、非线性、高维数和局部极小值等实际问题，借助ISVM算法可有效解决水压分量拟合过程中的非线性问题[15]。本文采用ISVM算法进行水压分量的拟合和预报，将预报值与温度分量、时效分量进行结合，并采用逐步回归方法建立大坝变形监控模型，基于ISVM—逐步回归组合建立的大坝变形监控模型能够有效的提高模型的预报精度，具体步骤如下：

(1)通过ANSYS软件建立大坝有限元模型，计算各特征水位下大坝某测点的位移值以及各特征水位H对应的H2和H3值；

(2)将各特征水位H值与H2、H3值进行归一化以及降维处理；

(3)利用MATLAB软件，采用粒子群算法对惩罚参数C和核函数参数σ进行参数寻优[16]；

(4)将参数寻优结果结合ISVM算法，建立该大坝测点相应的水压分量预报模型，并对该测点水压分量进行拟合和预报；

(5)将该测点的水压分量预报值与温度分量、时效分量进行结合，采用逐步回归方法建立该测点的大坝位移监控模型；

(6)通过对上个步骤建立的大坝监控模型进行拟合和预报，将预报值与实测值进行对比并展开预报模型预测精度分析。

(1)基于ISVM—逐步回归组合建立的的混凝土坝安全监控模型与基于逐步回归方法建立的监控模型相比，拟合精度更高，预测效果更好，将更加适合于大坝监控模型的建立。

综上所述，基于ISVM—逐步回归组合方法的大坝变形监控模型的建立流程如图1所示。

2 工程算例

2.1 某混凝土坝有限元模型

将回归问题视为风险函数最小化问题，回归函数可用风险泛函表示如下：

  

图1 基于ISVM—逐步回归组合的大坝变形监控模型的建立流程图

  

图2 2#坝段有限元模型

 

表1 大坝各特征水位H相应ANSYS计算值 mm

2.2 计算结果对比与分析

选取2#典型坝段正垂线测点PL5(179.00 m高程)建立模型，将该测点2006年1月1日～2007年11月1日间的590组监测数据作为训练样本，2007年11月2日～2007年11月11日间的10组监测数据作为测试样本。通过计算得PL5测点在改ISVM—逐步回归组合模型下的拟合和预报结果，并与基于逐步回归—逐步回归、ISVM—ISVM及逐步回归—ISVM组合方法的模型预报结果进行对比分析，结果如图3所示。

由图3可看出，采用4种组合模型的拟合值与实测值的变化趋势相近，表明该4种模型均可用于预报分析，其计算结果存在可比性，模型的精度主要通过预报阶段的预报值体现，为比较4种组合模型的计算精度，将PL5测点在四种组合模型下，于2007年11月2日～2007年11月11日间的10组预报值予以列出，并与实测值进行比对，计算出绝对误差和相对误差，结果见表2。

  

图3 PL5测点实测值与各组合模型计算值

 

表2 PL5测点测试样本下各组合模型预测结果比较 mm

由表2可知，在预报阶段，该测点在逐步回归—逐步回归组合模型和ISVM—逐步回归组合模型下的误差指标总体上要低于ISVM—ISVM组合模型和逐步回归—ISVM组合模型，而ISVM—逐步回归组合模型下的误差指标总体上又要低于逐步回归—逐步回归组合模型，由此可得，此模型预报精度较其他模型有所提高。在采用粒子群算法进行寻优过程中，各参数分别为c1=1.5，c2=1.7，进化代数为60，种群规模为30，寻优速度为3，惩罚系数C范围为[0.1，400]，核函数参数σ的范围为[0.001，0.1]，最终寻优结果为C=400，σ=0.029 141。

为将各组合模型的预报精度表现更为清楚，对该测点在四种模型下的拟合值及预报值的均方误差(MSE)、平均绝对百分比误差(MAPE)等误差指标进行统计，其中MSE可以反映预测值相对实测值的整体变化程度，MAPE可用于衡量预测值与实测值误差的整体水平，计算公式如下：

 

(17)

 

(18)

式中：n为预测样本总数；δi为实测值为模型预测值。该测点各种模型误差指标计算结果如表3。

 

表3 PL5测点各组合模型误差指标对比

  

误差指标逐步回归-逐步回归ISVM-逐步回归ISVM-ISVM逐步回归-ISVMMSE0.110.084.361.83MAPE0.250.181.711.12

其约束条件如下：

3 结 论

式中：σ为核函数参数，其代表方差。

1.5 统计学分析 采用SPSS 20.0统计软件处理数据资料，计量资料用均数±标准差表示，组间比较采用t检验，采用ROC曲线分析Netrin-1联合Kim-1预测AKI的价值，获得最佳截断值。计数资料用百分率(%)表示，采用χ2检验，利用COX回归性分析确定AKI发生的独立危险因素，以P<0.05为差异有统计学意义。

(2)在采用ISVM算法进行建模时，研究发现寻优过程中惩罚系数C的范围对模型预报精度的影响较大，其次是核函数参数σ的影响。

(3)在结合水压分量、温度分量及时效分量对大坝建立ISVM模型的过程中，采用粒子群算法对惩罚系数和核函数参数进行寻优时，受高维数的影响，寻优过程较为缓慢，如何提高寻优效率将是以后研究的方向。

对实物的操作，如刻度尺、钟表、天平、量筒、温度计、电路器材等，课前在网络平台上发布具体的操作步骤，学生在课前可以进行学习和了解，在课上通过小组讨论和合作探究，每个人都可以实操，组员之间相互纠正。对比较难学的电路部分，可以提供真实器材，让学生动手做，为了体验真实情境，老师可以在课件中加入虚拟电路实验，让学生沉浸在情境中,帮助学生理解和应用。

参考文献：

[1] 肖浩波，谷艳昌.混凝土坝安全监控最小二乘支持向量机模型[J].长江科学院院报，2013，30(5)：34～37.

[2] 许昌，岳东杰，董育烦，等.基于主成分和半参数的大坝变形监测回归模型[J].岩土力学，2011，32(12)：3738～3742.

[3] 文富勇.基于混沌时间序列的大坝变形监测自适应预测模型[J].水力发电，2013，39(11)：72～76.

[4] 张帆，胡伍生.神经网络融合模型在大坝安全监控中的应用[J].测绘工程，2015，24(1)：53～56.

[5] 刘博智，唐娟.小波分析—回归模型在混凝土坝变形分析中的应用[J].水电能源科学，2012，30(7)：80～82.

非线回归问题求解过程中，由于φ(xi)未知，且ω无法显式表达，常采用定义核函数K(xi，xj)[14]来解决非线性映射函数φ(x)具体形式难以确定的问题，核函数形式如下：

C. 7,32,1：它长时间以来已经获得了[法秩序]承认，既是出于功用也是出于法的原因，即通过一名自由人，占有亦可为并不知道此人实际上为自由身者所取得，并且若确认了明知，时效取得的条件便开始作用。

[7] 邱莉婷，沈振中，聂柏松.基于逐步回归分析—马尔可夫链模型的大坝变形预测[J].水电能源科学，2014，32(5)：51～55.

老师们没有不耐烦迹象，细致指引，陪我们改稿子到深夜两三点，交流往复，开始有了理解。“严师出高徒”，出来的成果令人满意。

[8] 苏怀智，温志萍，吴中如.基于SVM理论的大坝安全预警模型研究[J].应用基础与工程科学学报，2009，17(1)：40～48.

[9] 王雪红，刘晓青，陶海龙，等.优化BP神经网络的位移预测模型[J].水利水运工程学报，2014，2(2)：38～42.

设纹波电流为满载输入电流的20%,代入式(4)和式(5),得L为235 μH。假设变换器输出纹波电压为10 mV,计算滤波电容

[10] 袁开明，舒乃秋，孙云莲，等.基于阈值寻优法的小波去噪分析[J].武汉大学学报(工科版)，2015，48(1)：74～80.

[11] SU Huai-zhi，HU Jiang，WU Zhong-ru.A Study of Safery Evaluation and Early-waring Method for Dam Global Behavior[J].Structural Health Monitoring，2012，11(3)：269～279.

[12] 顾冲时，汪亚超，彭妍，等.大坝安全监控模型的病态问题及其处理方法[J].中国科学技术，2011，41(12)：1574～1579.

[13] 丛康林，岳建平，李希灿.v-SVR改进的滚动预测模型在大坝沉降监测中的应用[J].大地测量与地球动力学，2014，34(4)：92～95.

[14] 张倩，杨耀权.基于支持向量机核函数的研究[J].电力科学与工程，2010，28(5)：42～45.

[15] 杜传阳，郑东健，张毅，等.基于动态SVM-MC的大坝变形监测模型及应用[J].水电能源科学，2015，33(1)：71～74.

[16] P.J.García Nieto，E.García-Gonzalo，J.R.Alonso Fernández，et al.Hybrid PSO-MARS-based model for forecasting a successful growth cycle of the Spirulina platensis from experimental data in open raceway ponds[J].Ecological Engineering，2015，81(1)：534～542.

当时的我，对于图书分类编目一无所知。无奈之下，在图书馆借了一本《俄文编目手册》和《图书分类法》，在家里整整啃了两天。元旦后一上班，我就按照书上阐述的分类原则和图书著录格式，着手俄文图书的分编工作。同时向其他同志学习打蜡纸、油印卡片的方法和技巧。经过一年的边学边做，我慢慢忘却了走下三尺讲台的“失落感”，渐渐适应并爱上了图书编目工作。第二年我就被评上了校先进工作者，并在《图书情报工作》期刊上先后发表了《全苏科技情报中心现状》和《苏联科学院图书馆现状》两篇文章。撰写文章使我认识到了图书情报工作在科研工作中的重要地位与作用。同时也认识到，只要刻苦钻研、勤奋努力，在图书馆工作也是可以有所作为的。