基于BP神经网络的建筑物沉降预测模型研究

人工神经网络(ANN)是一个拥有高度非线性映射能力的计算模型,有较强的动态处理能力。在对其进行研究的基础上,利用MATLAB建立BP神经网络的建筑物沉降预测模型,指导建筑物的沉降预警工作。通过将建筑物沉降的实测数据和模型的预测数据进行对比分析,发现两者间的误差相对较小,预测模型能很好地反映建筑物沉降的发展趋势,对于建筑物沉降预警工作有着极其重要的意义。同时,研究结果也证明了BP神经网络预测模型具有较高的精确性和稳定性,可以在类似工程中加以应用。     

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。     

基于RBF神经网络的建筑物沉降预测

采用RBF神经网络的建模方法对建筑物的沉降进行了预测,并利用桂林市某在建农贸市场附近建筑物上的一个监测点连续3个多月的监测数据进行计算分析。实践表明,该模型预测精度相对较高,有很好的实际应用价值。     

最小二乘支持向量机在沉降量预测中的应用

高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法

根据区域沉降地区工程沉降监测特点,将在一定程度上能够反映区域沉降的基准点和工作基点变形信息引入遗传BP神经网络工程沉降预测分析中,研究出一种基于遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法.工程实例建模分析表明,其沉降预测值拟合精度较传统方法得到较大提高,能更好地反映工程建筑物的沉降情况.     

最大值函数对建筑物沉降的回归分析

为有效地对建筑物的沉降进行回归分析,本文以新城花园酒店为例,用幂级数和最大值函数两种回归函数对观测数据进行分析,通过显著性检验值和均方差的大小来推测建筑沉降的规律,并根据分析预测结果来评价两种回归函数的性能,理论分析和实验表明:采用最大值函数和幂级数对LS5的观测数据进行回归分析都能够达到建筑物沉降变形的精度要求,但最大值函数的性能优于幂级数。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

基于改进指数平滑神经网络模型的大坝沉降预测

为了及时跟踪非线性化大坝沉降数据并长期预测,针对传统指数平滑方法的缺陷,将改进的指数平滑方法与BP神经网络模型相结合,研究了其在大坝沉降监测中的应用.通过控制全局和局部的目标函数形成改进的指数平滑方法,获得一组平滑预测值;再利用BP神经网络对平滑预测值和平滑预测值与观测值的误差序列进行训练;最后将下一步的误差序列和平滑...     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

基于神经网络知识发现的GIS决策支持系统

在分析人工神经网络结构及功能的基础上,探讨以径向基函数(RBF)神经网络作为分析推理核心的GIS决策支持方法,重点研究了RBF网络的学习算法,并在此基础上建立了可对复杂非线性数据进行知识发现的四库三功能GIS决策支持系统。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

基于高分遥感影像的建筑物侧面信息提取及其高度计算

本文选取成都市某一区域建筑物A、B为研究对象,采用分辨率为0.61 m的Quick bird影像,运用图像分割法和LVQ神经网络算法,提取建筑物侧面信息,根据假设法原理,构建高度计算物理模型,求取建筑物高度。对比实测数据,结合可能影响实验结果的实地因素、遥感影像因素进行精度分析与评价,探讨基于高分遥感影像的建筑物侧面信息提取和高度计算的方法。结果表明,LVQ神经网络算法在建筑物侧面提取和高度计算中有更好的应用价值,精度高达94%。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型，并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比，支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点，为建筑物的沉降预测提供一种新的方法。     

自动制图综合人工神经元网络方法的研究

现代神经生理学研究表明 ,人脑的大量神经元构成有所分工而又紧密联系的神经元网络 ,它的结构和功能可以采用物理可实现的系统人工神经元网络来模拟。制图综合是人脑神经元网络获取、处理、输出地理信息的复杂视觉思维过程 ,可以用人工神经元网络来模拟。文中探讨了制图综合的人工神经元网络的设计 ,并对用于实现自动制图综合的结果进行分析 ,指出其应用前景。     

小波神经网络在桥梁变形预测中的应用

针对BP网络容易导致局部极小、不收敛的问题,提出了用小波神经网络拟合并预测大桥位移与其原因之间非线性关系的方法。提出了小波神经网络隐含层节点数的确定方法,该法可以确定网络隐含层最优节点数;小波神经网络具有良好的局部特性、较强的学习能力和任意函数逼近能力,实现了大桥变形的精确拟合及预测。实测结果表明:所提算法经过训练不仅可以准确拟合大桥位移曲线,而且预测精度较高,各项指标均优于BP网络。     

一种稀疏降噪自编码神经网络影像变化检测方法

采用粤西2018—2019年优于0.5 m地理国情监测影像,结合2018年矢量化地表覆盖分类成果,使用稀疏降噪自编码神经网络深度学习方法,首先选取BJ、GF、ZY等各类高分辨率遥感影像训练生成多传感器训练模型;其次利用PCA主成分分析提取样本数据最大特征,实现样本数据白化降维;最后采用tanh函数作为神经元激活函数,选...