矿区地表沉降监测的一种组合模型预测方法

基于诱导有序加权平均（IOWA）算子,将差分整合移动平均自回归（ARIMA）模型和Holt-Winters指数平滑模型进行组合,采用SBAS-InSAR监测值进行矿区地表沉降预测,并与各单一模型的预测结果进行对比分析。结果表明,基于IOWA算子的组合模型的预测精度较单一模型有明显提升,其中各点均方误差（MSE）平均值为1.458 mm,平均绝对误差（MAE）为2.175 mm,可用于矿山地表沉降监测预测。     

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。     

优化组合预测模型在桥梁变形预测中的应用

为提高桥梁变形预测的精度,探讨不同预测模型在桥梁变形预测中的效果,结合桥梁变形监测数据及组合预测思路,构建桥梁的MC误差修正优化组合预测模型。通过实例验证得出,组合预测较单项预测具有更高的预测精度及稳定性,其中以RBF神经网络组合的预测精度最高;同时,误差优化修正模型进一步减小了预测误差,优化后预测结果的相对误差期望值为0.86%,方差值为0.097 3 mm2,准确预测了桥梁变形,验证了该思路的有效性。     

最优化分数阶算子EGM(1,1)模型在变形监测预报中的应用

针对传统灰色模型在形变监测中数据序列拟合和预测精度不理想的情况,提出粒子群算法优化的分数阶算子EGM(1,1)模型。通过粒子群算法选择拟合EGM(1,1)平均相对误差最小的分数阶次,构建最优分数阶算子EGM(1,1)模型。用典型的变形监测数据验证优化模型,结果表明,优化模型对变形监测数据的拟合和预测都达到较高的精度,说明优化模型在变形监测数据的处理中具有可行性和有效性。     

变形预测中的组合预测思想与模型探讨

可用于变形预测的模型众多,但因预测的不确定性问题存在,对预测的精确性产生了很大影响。本文基于组合预测方法,对这一预测方法的思想进行了详细分析与探讨,提出了组合变形预测模型,对变形预测技术的发展提供了理论参考。     

基于PPLN的时序数据组合预测模型

针对观测数据时间序列,综合组合预测与投影寻踪学习网络的优点,提出一种新的预测模型.即采用静态预测法提取多组趋势项部分,自回归模型提取周期项部分,将它们都作为投影寻踪学习网络的输入部分,然后利用PPLN具有逼近复杂非线性函数的能力,通过网络学习与训练解决传统方法定权困难的问题.沉降预测的实验结果表明,与传统的曲线拟合法、变权重组合预测法相比较,该预测模型精度更高、具有实用性.     

基于熵权-IOWGA算子的变权组合预测新方法

针对熵权法组合权重分配固定不变的问题,提出一种基于IOWGA算子的权重分配方法,建立基于熵权-IOWGA算子的变权组合模型。该方法以各单一模型的预测精度作为诱导值,按每一期诱导值的大小对单一模型进行有序赋权,并将其应用到变形数据分析中。实验表明,该方法赋权过程合理,模型预测精度更高,更加适用于变形分析预测过程。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

���ŷǸ���Ȩ���ģ���ڴ�ӱ����е�Ӧ��

?????????GM??1??1????BP?????????????????3?????????????????????????????????е???????????????????????????????????????????????????????????????????????????????????????????????????????0.11 mm?????????????о??????????ü????     

基于二阶预测有效度IOWGA算子的变形组合预测研究

针对一阶预测有效度未能考虑预测精度的方差以及权数不变的问题,提出一种基于二阶预测有效度IOWGA算子的变权组合预测方法。该方法以二阶预测有效度作为目标函数,根据预测精度赋权,然后将其运用于变形数据分析中。实验结果表明,该模型预测精度高,适用于变形预测与分析。     

最优非负变权组合模型在卫星钟差预报中的应用

针对单一卫星钟差预报模型自身存在的缺陷,提出基于二次多项式、灰色GM（1,1）和ARIMA等三种单一模型的最优非负变权组合预报模型。通过与各单一模型和经典权组合模型进行对比分析表明,该模型预报残差RMS值最小,精度更高,能够根据各模型预报效果赋予不同的权值,在一定程度上综合了多种单一模型的优点,可降低预报风险,提高模型预报的可靠性。     

����Ԥ����Ч�ȵı����������Ԥ��

??????????????????????????????Ч?????????????????????????????????????????????Ч?????????????????????????????????????????Ч????     

�˼���ͬԼ��׼��ı��β������Ԥ��ģ���о�

????????????????????????β?????????????????????о??????????????????????????????????????????????????????5????β???????????????????5?????????μ?????????????????????Ч??????????????????????????????????????????????????????????     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型...     

改进的最优非负变权组合模型及其应用

根据GM(1,1) 、BP神经网络、卡尔曼滤波的特点,建立以灰色关联度最大为准则的最优非负变权组合预测模型,在一定程度上抑制了误差“放大”的效应。与以误差平方和最小为准则的变权组合模型、各最优加权组合模型、各单一模型进行对比分析,结果表明,本文模型预测精度最高。     

���ڻ������ӵĻ�ɫģ���ڵؿ��α�Ԥ���е�Ӧ��

?????????е???α????????????????λ?????????????????????????????????λ?仯???ɡ?????????????????ж?????????????????????????????α?λ?????н??е??????????GM(1,1)?????????????????????÷??????????????????????÷??????????????GM(1,1)?????????????Ч???????????????