灰色理论和回归分析组合模型在变形分析中的应用

从GM(1,1)和多元回归分析模型出发,建立了灰色理论和回归分析组合模型。经过实验检验可知,灰色理论和回归分析组合模型有着良好的拟合预测能力,是一种有效的变形分析模型。     

GM(1,1)最佳维数建模法在露天矿边坡变形预测中的应用

露天矿边坡变形是一个复杂的系统,许多影响边坡变形的因素具有灰色信息性质,因此应用灰色模型对边坡变形进行预测是一种很好的研究手段。在灰色模型预测实践中,发现建模数据的维数对模型预测精度有较大影响。从变形预测精度研究入手,提出最佳维数建模法。通过实例应用证明,该法具有较高的预测精度和可信度。     

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。     

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。     

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。     

小浪底水利枢纽大坝变形的灰色预测模型

在分析大坝变形预测方法的基础上,首次运用灰色理论和方法通过模型的建立、模型精度检验过程得出用于预测大坝变形的GM(1,1)模型,并用该模型对小浪底水利枢纽大坝坝顶视准线部分监测点的变形量进行了预测,预测取得比较满意的结果,证明此模型在实际工程中应用是可行的,同时为大坝安全运行提供了重要的依据。     

动态灰色预测模型在变形监测中的应用

在分析灰色模型的基础上,研究了灰数递补和新陈代谢2种动态灰色模型,并结合工程实例分析验证动态灰色模型的应用。2种模型的预测精度表明,动态灰色模型理论正确,精度合格,完全能够满足工程需要。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

灰色系统理论在变形监测数据处理中的应用

根据灰色模型建立和检验理论,针对信息量少的变形数据进行预测这一特性,采取建立GM模型进行预测,同时考虑卡尔曼滤波的优点,提出了基于卡尔曼滤波的GM模型的建立及相应的精度评定,结合实例来说明并对其进行分析预测。数据处理结果显示,本模型有效地剔除观测数据粗差,精度较高,为变形观测研究提供了更为可靠的观测数据。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容，贯穿于项目的设计、施工和运行，对监测的沉降数据进行处理，并预测沉降量，提前对工程作出安全预警，有很重要的实际意义。本文基于GM（1，1）灰色模型、小波分析和神经网络结合的相关理论，借助Matlab软件编程，建立了灰色-小波神经网络变形预测网络模型。结合工程实例，将建立的变形预测网络模型应用于累积沉降量观测数据，结果表明组合模型具有很稳定的预测效果，比单独的GM（1，1）灰色模型预测准确度高，且训练样本越多，预测越符合实际情况。     

变权组合模型在工程变形预测中的研究

随着变形预测在工程中的广泛应用,很多单一预测模型预测精度较低,因此,很多学者对组合预测模型进行探讨研究。本文主要研究定权和变权两种确定权重系数建立组合预测模型的方法,以灰色GM(1,1)模型和时间序列模型两种单一模型为基础建立定权组合预测模型和变权组合预测模型进行拟合预测,并通过实例验证分析,得出变权组合预测模型拟合预测精度高于定权组合预测模型拟合预测精度,得到了较好的拟合预测结果,从而可以更好地应用到工程变形预测当中。     

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。     

基于GEP的桩顶水平位移预测模型研究

桩顶水平位移的变形监测是一项重要内容,针对传统预测方法存在的不足,本文采用基因表达式编程(GEP),利用Eclipse平台下的Java编程语言,建立了桩顶水平位移预测模型。将灰色GM(1,1)模型、BP神经网络模型和基因表达式编程(GEP)这三种模型对桩顶水平位移的预测结果进行对比分析,得出基因表达式编程不仅能够提高桩顶水平位移的预测精度,而且其学习效率比灰色GM(1,1)模型和BP神经网络模型也有显著提高,从而证明基因表达式编程模型在桩顶水平位移预测方面具有可行性。     

GM-BP组合模型在地表变形预测中的应用

灰色模型具有计算简便、所需数据量小等优点,在短期预测中有较高的精度,但对波动性较大的数据预测效果较差;神经网络具有较强的非线性映射能力以及自学习能力,对波动性数据的处理效果良好。本文结合二者的优点,建立了GM-BP组合模型。实例证明,组合模型相对单一的模型在地表变形预测中具有明显的优势。     

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。     

一种监测基坑变形的灰色时序组合模型研究

灰色GM(1,1)模型运算简单,但缺点是精度不够;时间序列模型能计算大量的数据,但是运算过程比较复杂。本文以宿迁某基坑为例,对水平位移量进行检测,利用灰色和时间序列组成的新模型,以前几期数据作为原始数据对后几期数据进行预测,得出组合模型的精度比单一的灰色预测模型精度高,组合模型更适合基坑监测。     

基于北斗卫星的边坡变形监测系统应用研究

为及时准确获取对边坡变形信息,本次研究采用基于北斗卫星定位的边坡自动化监测系统,对某边坡工程进行全天候自动化监测作业,并采用有限元软件Abaqus建立边坡模型,采用数值分析方法对边坡变形的敏感度区域进行分级划分,优化监测点布设位置,最好利用灰色系统分析方法对监测数据进行分析研究,分别建立边坡水平方向和竖向变形灰色GM(1,1)预测模型,并采用精度更高的水平方向预测模型对边坡变形趋势进行预测,效果较为理想,更加贴合边坡变形真值,为边坡工程的安全监测提供了可靠有效的解决方案。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

基于优化GM(1,1)模型的基坑位移监测数据预测方法

针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。