一种改进灰色预测模型在变形预测中的应用

针对传统的单一模型和非线性GM(1,1)-AR组合模型无法实现对非平稳、含噪时间序列信号进行优化处理的问题,该文提出了一种新的基于小波的GM(1,1)-AR模型预测算法。采用小波变换原理对监测数据进行消噪处理和不同频带的分离,有效地获取了实际变形量;利用GM(1,1)模型和AR时序分析模型对具有确定性的趋势项和不确定性的随机项进行建模组合,较好地综合了灰色模型拟合功能强大和时间序列善于处理细节信息两者优势。通过工程实例对比分析结果表明:基于小波的GM(1,1)-AR模型不仅有效剔除了多余噪声,还利用各种模型有机嵌套组合实现优势互补,新算法预测结果比各单一模型、非线性GM(1,1)-AR模型结果更为精确。     

改进的小波阈值函数在变形预报中的应用

阈值去噪法是传统小波去噪最常用的处理方法,主要有硬阈值法和软阈值法,但二者均存在一定的局限性。本文提出了一种新的阈值函数,有效地弥补了硬阈值函数在阈值点处不连续、软阈值函数存在恒定偏差的缺陷。并在传统灰色模型的基础上,推导出了改进的新陈代谢GM(1,1)模型,最后将硬阈值、软阈值和新阈值函数的小波分析用于变形监测原始数据的预处理,结合新陈代谢GM(1,1)模型对去噪后的数据进行阶段性预测,并与实测值进行比较,通过实例计算表明:新阈值的去噪精度更高,通过新阈值去噪后进行预测的数据更加接近真实数据,可应用于变形监测的预报。     

基于新陈代谢GM(1,1)模型的益阳城市化水平分析

以益阳市2001年-2010年城市化水平数据为依据,运用灰色系统理论,建立了GM(1,1)和新陈代谢GM(1,1)预测模型;并运用不同方法对2种模型的精度进行了检验,结果表明,新陈代谢GM(1,1)模型优于常规GM(1,1)模型,其精度更高。应用新陈代谢GM(1,1)模型,对益阳市城市化水平未来10年进行预测,其结果符合益阳市城市化的实际情况。     

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。     

基于MATLAB的铁路路基沉降预测优化方法

高速铁路路基的工后沉降严重影响着行车安全。在已有的预测模型中,所采用的初始数据往往不能满足等时间周期采集,而且还会伴随着一系列不可避免的观测误差,模型本身的误差累计,不能进行长期预测。文中利用最小二乘原理对初始值进行拟合改进,采用Lagrange插值方法将非等间隔序列转为等间隔序列,并基于新陈更替GM(1,1)模型利用MATLAB建立沉降预测模型;在此基础上,提出对模型残差进行GM改正以提高模型精度的方法。研究表明,通过对初始值序列改正后的模型具有较好的适应性,优化改进后的模型预测误差小,预测精度优于新陈更替GM(1,1)模型。     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

非等步长GM(1,1)模型及其在大堤沉降监测的应用

针对非等步长数据,传统GM方法是构造等步长序列,生成1-AGO序列,再建立等步长GM(1,1)模型。考虑到变形观测序列非等步长特性,以相邻观测时间间隔为权,直接生成1-WAGO序列,建立非等步长GM(1,1)模型。将GM(1,1)模型应用于堤防工程沉降观测分析与预报,得到了有益的结论。     

建筑物沉降监测中的改进灰色模型

针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。     

基于灰色模型的建筑物沉降预测研究

由于非等间隔GM(1,1)灰色模型对于处理数据量小且表达信息不确定的数据具有优越性,因此广泛应用于石油天然气勘探、机床故障诊断、电力负荷预测、大坝安全监测等领域。基于非等间隔GM(1,1)灰色模型理论,利用某小区建筑物沉降观测的实测数据,建立了适合该小区建筑物沉降预测的灰色模型。通过对比理论预测值和实测值,并进行模型对应的精度评定分析,结果表明,此模型适用于该建筑物沉降预测分析的研究。     

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。     

非等间隔灰色GM(1,1)模型在沉降数据分析中的应用

本文用灰色系统理论的非等间隔模型GM(1,1)对西安市朱雀大厦周边建筑物及地表沉降观测数据进行了建模、分析和预测,并且与传统的回归模型拟合结果进行了比较,比较的结果验证了该灰色模型在建筑物及地表沉降变形分析中的实用性、正确性和有效性。     

非等时距GM(1,1)在变形预报中的应用

本文应用灰色理论建模原理,探讨了非等间距GM(1,1)模型的建模步骤;通过几种不同参数下的建模方式,利用MATLAB编程进行计算比较,着重分析影响非等间距GM(1,1)模型预报精度的因素,并探讨模型的改进方法。结果表明,对于较均匀的非等间距数据,灰色模型具有较高的预报精度。在间距间隔变化较大的情况下,灰色模型进行改进后也能得到比较满意的预报结果。     

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。     

非等间距无偏GM（1,1）模型在建筑沉降预测中的应用

将非等间距数列转化为等间距数列,并建立无偏GM（1,1）模型.通过对非等间距数列的处理,得到适合GM（1,1）建模的等时距数列,并在GM（1,1）模型的基础上,给出非等间距无偏GM（1,1）建模的具体步骤.从理论上证明无偏GM（1,1）能消除GM（1,1）模型的固有偏差,拓宽GM（1,1）的使用范围.最后将模型应用于实际建筑沉降预测中,研究结果表明非等间距无偏（1,1）模型精度高、实用性强.     

混合LS-TLS的GM（1,1）模型在基坑水平位移监测中的应用

通过分析传统GM（1,1）模型的局限性,提出了混合整体最小二乘法（混合LS-TLS）的GM（1,1）模型,并将其应用于宁夏某深基坑水平位移的监测中。同时,将此模型与最小二乘法（LS）的GM（1,1）模型及整体最小二乘法（TLS）的GM（1,1）模型进行了对比,分析了3种模型所求水平位移的预测值。结果表明,混合LS-TLS的GM（1,1）模型更符合工程实际,预测精度更高,在深基坑水平位移监测中具有一定的实用性。     

修正灰色模型在沉降监测间断资料插补中的应用

对于大型和高耸建筑,为了确保施工和安全运营,定期进行沉降监测是一项非常必要和重要的工作。但是由于受备种主、客观条件的限制和影响,沉降监测实测资料有时会出现间断。为了分析沉降规律,需要对间断资料进行插补。文章考虑到建筑物沉降监测非等时间间隔的特点,以相邻观测时间间隔为权,直接生成1-WA- GO序列,建立灰色系统非等间隔GM(1,1)模型,并将该模型应用于某建筑物沉降监测间断资料的插补工作中。当拟合值误差较大时,应用1阶残差序列建模,对原模型进行修正,提高了模型的拟合精度,得到了较满意的监测间断插补值。     

灰色幂模型在基坑变形监测中的应用

灰色幂模型又称非线性灰色伯努利模型(NGBM(1,1)),是灰色GM(1,1)模型的一种改进模型,具有非线性特征,在拟合和预测非线性特征数据方面具有优势。NGBM(1,1)模型相比于GM(1,1)模型具有更高的预测精度和更广的适用范围,它在经济、农业、气象等方面已有较广应用,但是在变形监测领域的应用还比较少。本文在已有的灰色系统理论的基础之上,将NGBM(1,1)模型应用在测绘领域的变形监测中。先对原始的变形监测数据进行累加、累减、求背景值,并根据原始数据求出最佳幂指数值和灰作用量,然后利用求解出的参数建模拟合已有数据并预测边坡监测的数据。实验结果表明,灰色幂模型NGBM(1,1)的预测精度比传统GM(1,1)模型预测精度更高。