基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。     

BFGS-BP法在变形监测数据处理中的应用

针对传统的BP神经网络算法计算精度低、收敛速度慢的缺点,本文将求解无约束极值问题的非线性最优化方法—BFGS法引入到BP神经网络模型,构建适用于带有不确定性和非线性的结构变形监测数据的处理和预测的BFGS-BP网络模型。并以某隧道施工过程中的拱顶下沉观测数据为例,进行BFGS-BP与传统BP算法的训练和预测对比试验。试验结果表明,与传统的BP算法相比,BFGS-BP模型具有更高的计算精度、更快的收敛速度。     

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。     

基于小波去噪的BP神经网络在变形监测中的应用

在变形监测领域中,对沉降数据的准确预测能够提前获悉检测对象的变形趋势,避免事故发生.原始监测数据普遍含有异常值,从而会对预测模型精度造成一定影响,降低预测结果的准确性.以BP(Back Propagation)神经网络为基础,采用小波去噪的方式针对剔除和插补原始数据中的异常值,分别建立去噪前后BP神经网络预测模型,并利用工程实例对预测模型精度进行分析.结果表明,小波去噪后的BP神经网络预测模型相比去噪前精度有所提升,精度更高,能够更为准确地反映监测对象的变形趋势.     

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。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

变形预测的小波神经网络模型改进

针对传统小波神经网络利用随机值作为网络初始参数时,存在网络收敛慢甚至不收敛的问题,该文提出了对网络初始参数进行自相关修正的优化方法,来提高小波神经网络的收敛速度。同时,该文利用了小波函数的降噪特性对原始数据进行预处理,以提高模型的预测精度。将这种改进的小波神经网络模型用于某地铁监测保卫区隧道内的水平位移预测。实验结果表明,改进后的小波神经网络收敛所需迭代次数显著减少,模型的预测精度也更加高。     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

传统小波神经网络在变形预测中的模型改进

针对传统小波神经网络利用随机值作为网络初始参数时,存在网络收敛慢甚至不收敛的问题,本文提出了对网络初始参数进行自相关修正的优化方法,来提高小波神经网络的收敛速度。同时,本文利用了小波函数的降噪特性对原始数据进行预处理,以提高模型的预测精度。将这种改进的小波神经网络模型用于某地铁监测保卫区隧道内的水平位移预测。实验结果表明,改进后的小波神经网络收敛所需迭代次数显著减少,模型的预测精度也更加高。     

小波变换和BP神经网络模型在沉降变形 监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

融合小波变换与神经网络的RSSI室内测距算法

提出一种融合小波变换与神经网络的基于WiFi的RSSI室内测距算法，该方法通过小波变换与神经网络对RSSI数据、路径损耗模型进行修正。利用小波分解与单支重构方法，只对低频的近似部分进行单支重构，舍弃高频细节部分，同时使用神经网络训练特定环境下的路径损耗模型。通过实例验证表明，该算法最大测距误差、最小测距误差、平均测距误差分别为1.206、0.037、0.692 m；平均测距误差比路径损耗模型、BP神经网络模型分别提高了1.846、0.469 m。     

基于小波分析的神经网络在遥感测温数据拟合中的应用

将小波母函数嵌入人工神经网络的神经元,形成紧致型小波神经网络,该网络用于遥感测温的数据拟合中,可提升纯粹的BP神经网络的拟合精度。本文结合红沿河核电站无人机红外测温试验,对其采集的一组温度数据采用小波神经网络进行拟合。对实验数据进行了统计分析,结果表明:小波神经网络能保证拟合误差在很小的范围之内,并且优于BP神经网络。     

转换GPS高程的BP神经网络方法研究

对于目前大范围点位分布不均,拟合法高程转换存在效果失真、模型误差等问题,本文给出了改进的BP神经网络方法转换GPS高程为正常高的算法,并与曲面拟合方法比较分析。经实例验证,在较大范围内,用神经网络方法转换GPS高程优于二次曲面拟合方法,所获得的正常高可满足工程生产的精度要求,具有一定的实用价值。     

利用小波神经网络的GPS高程转换

介绍小波神经网络的基本结构及学习算法,并应用于GPS大地高转换为正常高。结合实际工程数据,与BP神经网络作比较分析,因小波网络较强的非线性使得它泛化性能更好,收敛速度更快,经实例论证,在同等条件下,小波神经网络方法用于GPS高程转换的精度优于BP神经网络,且其精度可满足常规工程需要,具有一定实用价值。     

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。     

BP神经网络在GPS高程拟合中的应用探讨

神经网络算法一直是国内外研究的热点问题,BP神经网络算法具有更小的模型误差,因此,被广泛应用于GPS高程拟合。本文通过对同一区域GPS高程拟合的应用探究,运用迭代运算对比BP神经网络算法与多项式拟合数据,从而证明BP神经网络在一定条件下具有更高的精度,更加突出了BP神经网络算法的实用性。     

局部均值分解的新小波阈值去噪法及其应用

为了克服小波硬、软阈值函数本身存在的缺点,该文在硬、软阈值函数的基础上,提出一种新的小波阈值函数,并且基于局部均值分解的原理,构造了基于局部均值分解的新小波阈值去噪法。仿真数据对比分析表明,与单纯采用小波阈值去噪法、经验模态分解(EMD)滤波去噪法及局部均值分解滤波去噪法相比,该文方法的去噪效果更好,可有效提高信号的信噪比。利用本文方法对液体静力水准仪获取的高速铁路某桥梁实际监测数据进行去噪处理,结果表明去除监测数据中噪声的同时亦可保留变形细部特征。该文方法可为工程中的非线性、非平稳监测数据去噪提供参考和借鉴。     

改进的GA-BP神经网络模型在财产犯罪预测中的应用

发现犯罪时空分布规律并预测犯罪发生,是提高警务策略有效预防、控制犯罪的重要方法。在分析财产犯罪时空规律的基础上,利用BP神经网络模型自动学习训练各因子与财产犯罪的非线性关系,建立了财产犯罪预测模型。针对BP神经网络模型易陷入局部最优和模型不稳定的缺陷,提出了利用遗传算法（GA）选择各因子最优的初始化权重和参数,并以此作为BP神经网络模型的初始化权重矩阵,通过对历史数据的学习及训练建立了改进后的GA-BP神经网络模型。利用某市2007~2012年财产犯罪、人口、GDP、土地利用等35个综合影响因子数据,对改进前后的模型进行了预测对比试验。结果表明,改进后的GA-BP神经网络模型成功克服了BP模型的缺陷,收敛迭代最小次数从117次改进到8次;10次计算收敛迭代次数最大误差从370次提高到5次;模型预测精度（RMES）从0.043 0提高到0.019 95。