小波神经网络在拦渣坝变形预测中的应用研究

针对单一模型很难准确预测拦渣坝变形大小的问题,介绍小波分析与神经网络有机结合的小波神经网络的基本原理,将其应用于某大型拦渣坝变形监测实例中,建立了拦渣坝变形预测的小波神经网络模型。通过将该模型与常规BP神经网络训练和预测结果的比较,可以看出小波神经网络在拦渣坝的变形预测中具有收敛速度快、预测精度高的特点。     

小波理论在变形分析中的应用

本文简要评述了变形分析的几种常用方法。接着详细论述了小波变换应用于变形观测数据处理的基本原理。探讨了小波分析在其应用中的基本模型。     

小波理论在变形分析中的应用

本文简要评述了变形分析的几种常用方法。接着详细论述了小波变换应用于变形观测数据处理的基本原理。探讨了小波分析在其应用中的基本模型。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

建筑GPS变形监测中小波分析的应用

在建筑的变形监测中,GPS观测数据中的噪声会对结果造成影响,可以利用小波变换的方法来去除噪声,提高结果精度。本文结合实例,分析了小波分析在建筑GPS变形监测中的应用,提出了一种评价小波去噪效果的新指标,表明利用小波去除噪声可以有效地提高GPS变形监测的精度。     

小波神经网络模型在高层建筑物沉降预测中应用研究

为了提高变形监测数据预测的精度与可靠性,以及提高人工神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高层建筑物沉降监测数据处理中。综合小波分析与神经网络算法的优点,将良好的时频局域化特性和神经网络理论的自学习功能相结合,建立高层建筑物的小波神经网络变形预测分析模型。通过实验数据对比分析,小波神经网络用于高层建筑物沉降预测数据处理中可以得到更好的预测效果,预测稳定性及预测精度较高。     

基于小波变换的桥梁风振变形监测数据处理

讨论小波变换应用于变形监测数据的去噪和提取变形趋势、频率特征及突变点的理论方法,并对桥梁风振变形监测数据进行小波分析处理。试验结果表明,小波变换能够很好地完成数据去噪与提取频率项、变形趋势项和检测突变点等信息,数据处理效果显著。     

基于小波去噪的灰色模型在变形监测中的应用

灰色模型可在"贫信息"的条件下发现变形观测数据中的规律,但不能去除数据中噪声的影响;而小波分析可有效识别并剔除变形监测数据中的噪声(误差),使变形规律更加明显;结合两种方法的优势能增强数据分析的可靠性,提高预测精度.将小波去噪与灰色模型相结合,研究了该分析方法在高铁隧道变形监测中的应用,并得到了较可靠的预测结果.     

结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

小波阈值去噪法在矿区地表变形监测数据处理中的应用

为了解决矿区地表变形观测数据中含有的粗差对地表沉陷规律研究带来的不利影响,提出了采用小波阈值去噪法对原始观测数据进行处理。分析了小波阈值去噪的基本过程,讨论了小波阈值函数,并对两种阈值函数进行了对比;使用Matlab小波工具箱对观测数据进行分析并建立回归曲线,与地表实测沉陷值进行了验证。结果表明:相比常用的数据处理方法,小波阈值去噪法能有效消除粗差对变形结果的影响,实现了矿区高精度、动态的地表变形监测,具有较高的推广价值。     

小波包多阈值去噪法及其在形变分析中的应用

在GPS变形监测领域,传统的小波去噪只保留低频上的有用信息,很容易去掉中频以及高频上的有用信息。小波包分析方法是近几年发展起来的一种新的小波分析方法,它同时考虑了各个频段上的有用信息,因此是一种更为精细的去噪方法。小波包去噪的关键是对小波包分解系数选取合适的阈值准则并进行阈值处理,但传统的小波包去噪并没有对此进行充分的研究。本文针对传统小波、小波包分析的不足,提出了一种基于频率顺序并依据信息类型分段的多阈值准则小波包去噪法。通过理论分析与实际应用,结果表明新方法能够高效剔除各频段的噪声,同时当采样频率较低时能有效保留去噪信号中频率高达10-1 Hz数量级的有用信息,其去噪能力优于传统的小波、小波包等其它去噪方法,因此可以广泛应用于高精度GPS变形监测领域中。     

强污染单历元GPS形变信号的提取和粗差识别

阐述了小波分析技术用于强污染GPS单历元形变信号处理的基本原理及其实现方法。以含少量粗差的低信噪比形变信号为例 ,研究了基于Mallat分解和合成算法 ,分离信号趋势项并进行粗差识别的技术。采用小波软阈值降噪的方法去除强污染数据中的随机噪声 ,降噪效果远好于中值滤波。最后对识别的粗差信息进行线性修复 ,获得了令人满意的形变信号     

Single epoch GPS deformation signals extraction and gross error detection technique based on wavelet transform

IntroductionGPS technique is widely used for deformationmonitoring thanks for the high precision. Usual-ly , there are three working modes associatedwith GPS deformation observation: periodicalGPS deformation monitoring net , GPS monito-ring array and rea…     

基于小波方法的非线性回归模型研究

介绍小波方法和非线性回归估计的基本理论,研究利用小波变换得到非线性回归估计函数的方法,且将该方法的结果与仅用回归估计的结果进行对比研究,发现对监测数据列进行小波分解并对小波系数作用于阈值,然后通过对小波系数估计能得到回归参数。研究结果表明基于小波方法的非线性回归模型更接近变形体变形规律,是一种能够更好地进行预测的方法,该模型切实可行。     

GPS变形监测系统中消除噪声的一种有效方法

GPS变形监测系统的观测资料可看成为与时间有关的数据序列，应用小波分析理论，研究了时间序列观测数据的误差消除问题。结果表明，借助于小波分解与重构，可有效地从强噪声干扰的观测数据序列中提取变形特征。该方法解决了传统处理技术对非平稳、非等时间间隔观测数据序列滤波的局限性问题。     

小波阈值去噪法在非稳定信号处理中的应用

高大建筑物和工业设施等的变形监测数据一般都是含噪的信号,需要对其进行降噪处理,获取其准确的变形信息,以便掌握真实的变形情况。由于监测数据都是非稳定的信号,通常采用小波阈值降噪法对其处理,但传统的软硬阈值进行降噪的效果不佳,需对其进行改进。文中采用3种改进的小波阈值降噪法与传统的方法进行比较,通过对信噪比和均方差的分析,获得适合于变形监测数据的非稳定信号的降噪方法。     

基于小波阈值法去噪的建筑物变形监测数据处理

基于小波阈值法具有非常明显的渐进近似最优性质,可以在均方差意义下取得最优的去噪效果,利用小波阈值法去噪的技术,对一组建筑物变形监测数据进行去噪处理.实验结果表明,小波阈值去噪合理有效,能够敏感识别观测噪声和有用信息,不需要待检测信号的先验知识,特别适合于建筑物变形监测数据处理.     

小波多时间尺度分析在变形分析中的应用

变形体的变形总体上看是错综复杂的,但是在某些细节上又表现为周期性变化或者突变,通过小波变换的多时间尺度分析就可以探究形变的周期变化以及突变点,同时通过计算形变信号经小波分解后的小波方差就可以找出形变的周期,这为我们研究形变带来了很大的便利,也可以更好地把握变形系统的演变规律和未来发展趋势。