大坝安全监测资料中的位移序列、渗流序列、裂缝开度序列等,这些序列因受众多因素制约,在时序上常常表现出复杂非线性特征,随着大坝安全监测预报越来越趋向自动化,而在以往的预报模型中常常表现出模型拟合精度较高而预测精度偏低,不能满足大坝安全监测自动化的需要。根据大坝监测数据在时序上变化特征,应用了神经网络和基于遗传算法的时间序列的非线性预测模型。 在大坝安全监测预报中,针对BP算法收敛速度慢且存在局部极小值问题,提出了基于扰动的加速神经网络模型;针对门限自回归模型在实际应用过程中拟合精度往往要好于预测效果或预测效果不理想,对门限自回归模型作了改进;提出了使用自相关系数图来确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法;结合门限自回归模型和双线性模型的优点,提出了门限双线性模型,并与神经网络可变权组合预测模型进行了比较,门限双线性模型的内在思想组合要比组合预测模型外在结果组合更优秀;通过实例表明这些改进是有效的;这些模型在大坝安全监测预报中应用是成功的。