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。     

马尔科夫理论的优化灰色模型预测建模

针对GM(1,1)模型易受建模数据随机扰动影响,且模型稳定性较差的问题,该文提出了基于马尔科夫(Markov)理论的GM(1,1)预测优化模型。首先,通过最小二乘原理选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值,同时利用正化残差序列法进一步修正残差。然后,将优化的GM(1,1)模型和马尔科夫理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建了优化的灰色马尔科夫预测模型。最后,以某建筑物的变形实测数据为基础,进行了传统GM(1,1)预测模型、优化的GM(1,1)预测模型和优化的灰色马尔科夫预测模型的实例计算比较,结果表明:优化的灰色马尔科夫预测模型的拟合精度和预测精度优于传统GM(1,1)预测模型和优化的GM(1,1)预测模型,且适用性更强,稳定性更好。     

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。     

改进的GM(1,1)模型在公路隧道沉降预测中的应用

根据灰色系统理论,可以将公路隧道的沉降过程看做一个灰色系统。本文对传统的GM(1,1)模型中的初始值、背景值进行改进,得到改进的GM(1,1)模型,并将其应用到公路隧道的沉降预测中。通过实例验证,改进的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型有显著提高。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

高层建筑形变监测中动态灰色理论模型的应用

利用灰色理论模型对高层建筑物变形监测数据进行了建模和分析,并针对传统GM(1,1)模型在预测过程中的数据发散问题,对模型进行了改进,建立了动态GM(1,1)模型。通过对两种模型的预测结果与实际观测值的比较,证明动态模型在中长期变形监测中具有明显优势。     

同时改进背景值和初始条件的一种GM(1,1)预测方法

传统GM(1,1)模型在背景值和初始条件的选取方面存在不足,为了提高灰色GM(1,1)模型的预测精度和拟合精度,本文提出了一种同时改进背景值和初始条件选取的新模型,此模型对以往单独对背景值或初始条件的优化进行了改进,将两个影响条件整合到一起。最后通过实例将该新模型与几种模型的拟合和预测数据比较,显示出了新模型的预测精度高。     

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。     

建筑物沉降监测中的改进灰色模型

针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。     

改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

对新陈代谢GM(1,1)模型所采用的灰色预测方法进行了改进,运用新的代数递推方程替代了原始的灰色微分方程,并利用某建筑物的沉降观测数据进行了预测与分析,结果表明,改进后的新陈代谢GM(1,1)模型的预测精度得到了显著提高。     

灰色自记忆模型的高层建筑物沉降分析

针对GM(1,1)模型对非线性数据的沉降趋势及其波动特征无法进行准确地预测,而灰色残差模型和灰色马尔科夫模型又无法解决这个问题,提出了灰色自记忆预测模型。该模型利用了自记忆原理考虑过去和现在对未来的影响的记忆性特点,克服了GM(1,1)模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力。通过实例验证表明了灰色自记忆模型的可靠性和可行性。     

基于改进的动态灰色模型在变形监测中的应用研究

动态灰色模型丰富和完善了静态GM(1,1)模型,它虽然有效地降低了建模时原始序列长度、原点误差的影响,且提高了数据预测的精度,但是传统的动态灰色模型为保持数据维度的不变性,必须对旧有信息进行强制舍弃,因此会导致建模数据量受到限制,预测结果容易失真,且对维度以外的信息不加筛选的舍弃致使致有用信息大量流失。本文对传统动态灰色模型做出改进,并将改进后的模型用于变形监测分析与预报中,且与传统的GM(1,1)模型和动态灰色模型的预测精度做对比,最终验证改进后模型的有效性。     

残差修正的GM(1,1)模型在滑坡位移预测中的应用

根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。     

改进的灰色GM-AR组合模型在基坑监测数据处理中的应用

灰色预测模型在变形监测领域已得到广泛的应用和发展,灰色模型在理论上可以进行中长期预测,但实际应用中随着时间的推移预测精度也随之下降,为了解决这一问题,本文对GM(1,1)模型进行了改进并将改进后的GM(1,1)模型与时间序列模型组合,利用GM-AR模型进行预测可提高模型的预测精度,并应用实例证明了该方法的可行性。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

危岩体变形位移预测的灰色双重优化模型

为提高GM(1,1)模型在危岩体变形位移分析中的预测精度,本文提出一种背景值重构和初始条件修正的灰色双重优化模型。该模型采用积分的形式重构了一个表达简洁、计算简单、适应性强的背景值计算公式,根据新信息优先原理将x(1)(n)作为灰色模型的初始条件,将双重优化后的GM(1,1)模型应用于长江链子崖危岩体变形位移预测,并与传统模型和单一优化模型的预测结果进行比较,发现双重优化的GM(1,1)模型预测结果更接近于实际,是危岩体变形预测的一种有效方法。     

灰色GM(1,1)与Kalman滤波模型用于变形预测的比较分析

通过运用灰色GM(1,1)和Kalman滤波模型分别对某高层建筑物的沉降变形趋势进行分析,得出灰色GM(1,1)适用于短期且变形趋势呈线性变化的变形分析与预测,而Kalman滤波模型不仅适用于短期预测,对于长周期预测也有较高的精度。因此,在观测周期较短时,灰色GM(1,1)和Kalman滤波模型对线性变化的高层建筑物都有较高的预测精度,但是对于较长周期的观测,Kalman滤波模型预测的精度和可靠性要高于灰色GM(1,1)模型。     

灰线性马尔科夫模型在建筑物变形监测中的应用

针对传统灰色GM(1,1)预测模型在建筑物变形监测预报中的拟合精度较差、预测精度较低和预测时间较短的问题,文中以传统GM(1,1)、线性回归和马尔科夫模型为理论基础,构建了灰线性马尔科夫预测模型,并结合某建筑物变形监测的观测数据,运用新陈代谢的计算模式进行预测。结果表明,灰线性马尔科夫预测模型的拟合精度和预测精度优于单一的灰色GM(1,1)预测模型和线性回归预测模型,灰线性马尔科夫预测模型具有预测精度高、预测时间长和稳定性高的优势。