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。     

小波神经网络在高铁路基变形分析中应用研究

路基是高速铁路的轨道基础,是整个线路结构中最为薄弱的环节,对线路的平顺性、稳定性特别敏感,加强对高铁路基的沉降变形分析是确保路基工程施工质量和保障运营安全的重要环节。引入小波神经网络组合模型应用到高铁路基的沉降变形分析中,通过工程实例分析表明,小波神经网络组合模型预测精度较BP神经网络模型高,在高铁路基的沉降变形分析中具有更好的优越性和应用效果。     

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。     

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。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

基于T-S模糊神经网络的变形预报研究

T-S模糊神经网络模型是根据模糊系统和人工神经网络优缺点具有明显的互补性结合而成。文中基于T-S模糊神经网络,将其应用于变形预测。通过实测数据和仿真数据分析比较了其与BP神经网络、小波神经网络在预测精度、算法稳定性和有效区间3个评价标准上的优劣。结果表明,在变形预测,特别是利用长周期监测数据进行预报时,T-S模糊神经网络具有一定的优势。     

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Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

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.     

基于小波去噪改进神经网络拱顶下沉预测研究

隧道拱顶下沉监测数据中含有大量的随机误差,为了消除或者消弱随机误差的干扰,本文对实测数据进行小波去噪,使数据更真实性。针对传统BP神经网络预测精度差、收敛慢的问题,通过改进的BP神经网络对去噪的数据进行预测。实验结果表明,并与传统BP神经网络相对比,小波去噪的改进神经网络收敛速度加快,精度提高,预测效果显著提高,适用于拱顶下沉的预测研究。     

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。     

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.     

卡尔曼滤波法在城际高铁沉降变形监测与分析的应用

随着我国城市化的不断发展,城际高铁作为城市圈之间的大动脉,对加强城市间联系,方便居民出行起到了重大作用。城际高铁轨道的沉降问题,是高速铁路运行面临最普遍的问题,影响高速行驶下高铁运行的安全性和稳定性。高速铁路的沉降监测数据是一组离散时间序列,蕴含十分丰富的形变信息。为了发掘这些数据中的变形规律,需要建立沉降预测模型,进行综合分析后,采用卡尔曼滤波法对沉降进行预测分析。     

改进遗传算法优化灰色神经网络隧道变形预测

针对目前隧道变形预测方法的不足,该文提出了使用改进型遗传算法优化灰色神经网络的隧道变形预测模型。改进遗传算法策略:在种群繁衍过程中根据个体的适应度进行排序,再将排序后的种群均分为3个部分,按照比例对3个部分进行选择,最后从适应度较大的部分中随机选取个体在重新补充到种群中。改进型遗传算法可以避免陷入局部收敛成功找寻全局最优解,提高收敛速度。该文利用实际隧道监测数据进行实验,验证改进型遗传算法优化灰色神经网络的隧道变形预测模型。实验证明,改进型遗传算法优化灰色神经的隧道变形预测模型在进行隧道拱顶下沉量预测时有着更高的精度、更好的稳定性。     

GNSS 监测数据预处理在变形预测中的应用

GNSS监测技术被广泛应用于变形监测工作中,但GNSS监测数据中会有缺失值、噪声等误差的存在,对预测结果造成影响。引入改进的小波神经网络模型进行变形预测,并考虑该模型的自适应性和容错性,分别采用三次样条插值法、小波滤波法和拉依达准则对原始监测数据进行缺失值填补、去噪和粗差剔除等预处理。并利用实际监测数据进行短期预报分析,对比原始监测数据和预处理后的监测数据的预测结果,结果表明预处理后的监测数据的预测效果更好。     

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。     

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。