优化非等间距GM(1,1)模型及其在变形监测中的应用

针对非等间距GM(1,1)模型的拟合和预测问题,考虑灰作用量的时变特征,系统地证明了一种优化灰作用量的非等间距GM(1,1)模型,并提出通过粒子群算法选取拟合模型最优的背景值权重参数来构造优化模型的最优背景值。以典型的变形监测数据为算例,构建了非等间距GM(1,1)模型、优化灰作用量的非等间距GM(1,1)模型和优化灰作用量与背景值的非等间距GM(1,1)模型。通过算例的分析与对比,结果表明优化灰作用量的非等间距GM(1,1)模型和优化灰作用量与背景值的非等间距GM(1,1)模型对原始数据的拟合和预测具有较高的精度,优化模型具有可行性和有效性。     

基于粒子群算法的组合模型在变形分析中的应用

在构建并联组合模型进行变形预测时,单项模型权值的确定是个关键问题。为了提高变形预测的精度,以基坑监测数据为例,采用GM(1,1)模型与ARMA模型进行组合,在拟合误差平方和最小的准则下,使用粒子群算法求解两单项模型的最优权值,进而构建并联组合模型进行变形预测。结果表明,该方法融合各单项模型的优势,可以提高预测精度,避免求解线性规划问题,具有较好的实用性。     

基于改进等维信息灰色模型的高铁隧道沉降预测研究

等维信息灰色模型是对传统灰色模型的改进,但其模型背景值仍设定为0.5,为了使模型的预测性能得到提高,本文提出了基于粒子群PSO算法的等维信息灰色模型来优化模型的背景值,以消除灰色模型本身固有的偏差。根据已有的高铁隧道沉降监测数据,对其进行小波去噪处理,再分别建立传统GM(1,1)模型、等维信息GM(1,1)模型和PSO-等维信息GM(1,1)模型进行拟合预测,并与原始数据进行对比。预测结果表明,改进后的等维信息GM(1,1)模型的预测精度更高。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

自适应变异粒子群优化灰色模型在变形分析中的应用

标准灰色模型GM(1,1)以序列第一个分量作为初始条件进行灰色微分建模,未能充分利用序列中的新信息;其背景值的构造本质上采用了数值积分中的梯形法,精度不高。针对上述缺点,提出一种基于粒子群算法的灰色预测模型,即PSOGM(1,1)模型,对初始值和背景值参数进行优化,并将模型应用于岩体变形分析中。计算结果表明,PSOGM(1,1)模型具有较高的预测精度,可作为变形分析的一种新方法。     

灰色幂模型在基坑变形监测中的应用

灰色幂模型又称非线性灰色伯努利模型(NGBM(1,1)),是灰色GM(1,1)模型的一种改进模型,具有非线性特征,在拟合和预测非线性特征数据方面具有优势。NGBM(1,1)模型相比于GM(1,1)模型具有更高的预测精度和更广的适用范围,它在经济、农业、气象等方面已有较广应用,但是在变形监测领域的应用还比较少。本文在已有的灰色系统理论的基础之上,将NGBM(1,1)模型应用在测绘领域的变形监测中。先对原始的变形监测数据进行累加、累减、求背景值,并根据原始数据求出最佳幂指数值和灰作用量,然后利用求解出的参数建模拟合已有数据并预测边坡监测的数据。实验结果表明,灰色幂模型NGBM(1,1)的预测精度比传统GM(1,1)模型预测精度更高。     

基于IPSO-LSSVM模型的公路路基沉降预测

为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。     

变形监测双重加权DPGM(1,1)预测模型的建立

针对GM(1,1)建模过程中背景值、时间因素两方面存在的不足,文中提出双重加权DPGM(1,1)预测模型,通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素在求解灰参数时进行第二次加权建立DPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)三种模型在变形监测数据处理中的拟合和预测结果。表明,双重加权DPGM(1,1)模型拟合效果更好、预测精度更高。该模型具有前两种模型的优点,同时弥补了传统GM(1,1)的不足。     

利用互信息和IPSO-LSTM进行滑坡监测多源数据融合

针对滑坡监测中的多源异构数据融合问题,结合互信息(mutual information, MI)、改进粒子群优化算法(improved particle swarm optimization, IPSO)和长短期记忆神经网络(long short-term memory,LSTM),提出一种新的多源异构监测数据融合方法。该方法基于互信息对影响滑坡变形的多个环境因子变量进行筛选,将筛选后的环境因子变量作为LSTM模型的输入变量,以滑坡累计位移量数据作为期望输出数据,并通过改进的粒子群寻优方法对模型进行参数寻优,获取模型的最优参数组合,进一步提高融合模型的预测精度。采用中国贵州省六盘水市水城县发耳滑坡的全球导航卫星系统(global navigation satellite system,GNSS)实测数据进行实验,结果表明:基于互信息和IPSO-LSTM的数据融合算法适用于具有多源异构监测数据的滑坡变形预测,且基于互信息的环境因子变量筛选方法优于Pearson相关系数筛选方法,经改进粒子群算法参数寻优后,融合模型的均方根误差(root mean square error,RMSE)达到2.6 mm,平均绝对误差达到1.7 mm,拟合优度达0.994。     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

基于Kalman滤波的GM(1,1)-AR模型在高层建筑物沉降变形分析中的应用

在传统的GM(1,1)模型和AR模型的基础上提出一种基于Kalman滤波的GM-AR模型预测新算法。利用卡尔曼滤波对原始监测数据进行滤波消噪,获取有效地实际变形量;然后对实际变形量中的趋势项和随机项运用GM(1,1)-AR组合模型进行建模组合。通过工程实例分析表明,基于卡尔曼滤波的GM(1,1)-AR模型相比单一的GM(1,1)模型和GM(1,1)-AR模型,有效地减弱观测噪声的影响,提高预测精度。     

优化背景值的时变参数GM(1,1)在铁路沉降中的应用

针对传统的GM(1,1)模型在建筑(构筑)物形变和沉降预测中的灰色作用量恒定和背景值构造有偏差的缺陷,该文通过引入线性时间项的灰色作用量和广义加权构造最优背景值相结合的方法构建了优化背景值的时变参数GM(1,1)模型。以实际铁路沉降监测点的累计沉降监测数据为例,分别采用传统的GM(1,1)模型、时变参数GM(1,1)模型和优化背景值的时变参数GM(1,1)模型对观测数据进行了拟合和预测。结果表明,优化背景值的时变参数GM(1,1)模型的拟合和预测精度相比传统GM(1,1)模型和时变参数GM(1,1)模型有很大提高,适合于铁路沉降数据的监控和分析。研究结果可为铁路的沉降预测提供一定的参考价值。     

弱化缓冲算子修正的离散灰色预测

针对地铁通风井深基坑工程的沉降数据扰动因子多、传统灰色模型预测效果差的不足,本文以DGM(1,1)模型为基础,利用弱化缓冲算子能够有效地处理含有扰动因素的原始监测数据的优势,较好地改善了基础模型的预测精度。本文在系统分析弱化缓冲算子对DGM(1,1)预测修正过程的基础上,选用3种弱化缓冲算子对风井基坑周围的地表监测点D2和给水管线监测点S2进行沉降量预测的对比分析。工程实例分析表明:平均弱化缓冲算子修正后的DGM(1,1)模型具有较高的预测精度,可以用于工程中的沉降预测。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。     

三重加权变形监测预测模型及应用

针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。     

GM(1,1)模型反演预测方法在沉降预测中的应用

为了研究提高GM(1,1)模型预测精度的方法,本文首先讨论了GM(1,1)模型对初值的不敏感性和拟合预测序列增长率的恒定性;其次,根据GM(1,1)的性质提出新陈代谢反演预测的方法;最后,通过工程实例对比不同模型的预测精度。结果表明:GM(1,1)反演预测方法具有很高的预测精度,适用于沉降变形预测。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。