基于TLS的多变量灰色模型在大坝变形预报中的应用

传统多变量灰色模型MGM(1,n)的背景值误差会使得求解的灰色参数精度降低。总体最小二乘是一种可以同时顾及到观测误差与模型系数矩阵误差的数学方法。基于此,引入TLS对传统MGM(1,n)模型的灰色参数进行修正。通过对某大坝变形数据试算,验证表明,该方法能够有效地提高变形预报精度。     

基于综合优化MGM(1,m)的大坝变形预测

大坝变形是一个复杂的动态过程,传统的单变量预测模型未能考虑各监测点之间的相关性,不足以体现出大坝整体变形规律。因此采用多变量MGM(1,m)模型预测,根据MGM(1,m)的建模原理以及误差来源,重新构建了MGM(1,m)的背景值,并在此基础上对残差修正进行综合优化。实验结果表明,基于综合优化的MGM(1,m)模型拟合预测精度最高。     

基于优化背景值的MGM(1,m)模型在建筑物沉降监测中的应用

根据MGM(1,m)模型的基本建模原理,发现了模型背景值的构造形式对模型精度存在影响,从传统MGM(1,m)模型背景值构造形式的角度对其进行改造,重新构建灰色MGM(1,m)模型背景值。通过实例分析,改进后的灰色MGM(1,m)模型相较传统的MGM(1,m)模型,在精度方面有了很大的提高。     

半参数补偿及背景值优化MGM模型研究和应用

为了改善传统MGM模型背景值选择以及模型误差问题,提出了半参数补偿及背景值优化的MGM预测模型。选取同一变形体上3个相关性较高的监测点实测数据,分别利用传统MGM模型、背景值优化MGM模型、半参数MGM模型以及半参数补偿及背景值优化MGM模型对其进行预测。实验结果表明,本文模型预测值的均方误差为0.61,比传统MGM模型的1.12、背景值优化MGM模型的0.66和半参数MGM模型1.01,分别降低了0.51、0.05和0.40;且3个点残差标准差的均值分别比传统MGM模型、背景值优化MGM模型和半参数MGM模型小0.21、0.03和0.15。这说明本文模型的预测精度有所提高,且更加稳定。     

熵权遗传算法及极限学习机地铁隧道沉降预测

针对目前的地铁隧道沉降变形预测方法忽略了对沉降变形影响因素的综合协调考虑这一问题,该文将遗传算法(GA)结合极限学习机(ELM)的方法引入地铁隧道沉降变形预测。该方法借助最大信息熵理论,充分挖掘地铁隧道沉降主要影响因素与沉降量间的信息特征,并将遗传算法与极限学习机相耦合,利用遗传算法的全局搜索能力获取ELM神经网络优化的初始权值和阈值,形成熵权遗传算法-极限学习机模型,并编制相应计算程序。采用该模型对西安某地铁隧道沉降变形进行预测,并与遗传算法-极限学习机、极限学习机、传统的BP神经网络预测结果进行比较,结果表明熵权遗传算法-极限学习机模型与实测值吻合更好,预测结果更稳定。     

基于IRCGA优化的GM(1,1)变形预测方法与应用研究

阐述了引入时间距离权的传统GM(1,1)模型的建模过程以及灰色模型等级的判断方法,深入分析了白化背景参数λ取值对建模精度的影响;同时针对传统λ取值的缺陷,提出使用基于实数编码的改进遗传算法(IRCGA)对其进行优化处理,并用多个工程实例分析验证了优化后的GM(1,1)模型相对传统的灰色模型及其优化模型拟合效果更好,更加贴近真实数据序列。     

运动目标的MGM(1,N)轨迹预测算法

针对武器装备实验与训练活动中无人机等运动目标位置测量数据少、概率分布未知的工程背景,提出了一种基于MGM(1,N)模型的轨迹预测方法,建立了针对运动目标3个位置坐标的MGM(1,3)模型。数值仿真结果表明,基于MGM(1,N)模型的运动目标轨迹预测方法合理可行,可以预测该周期内任一时刻的位置信息。     

时变参数PGM(1, 1)变形预测模型及其应用

在GM(1，1)模型的基础上，考虑参数随时间的变化，用多项式逼近模型参数，同时针对GM(1，1)模型背景值取值方法的不足，引入背景值最佳生成系数，建立了时变参数PGM(1，1)变形预测模型。多项式中的待定系数采用最小二乘法确定，背景值最佳生成系数采用搜索法确定。实例计算表明，时变参数PGM(1，1)变形预测模型具有较高的模拟精度和预测精度，适合用于变形体的变形预测。     

TLS优化的MGM（1,n）模型在高层建筑变形预报中的应用

观测误差影响最小二乘解算MGM(1,n)模型的灰色参数精度,基于此,现采用总体最小二乘（Total Least Square,TLS）对MGM(1)模型的灰色参数解算进行优化。通过对某高层建筑沉降变形观测数据进行试算,结果表明,TLS优化后的MGM(1)模型能够有效地提高预报精度。     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

灰色-马尔科夫模型在大坝内部变形预测中的应用

传统的灰色-马尔科夫模型一般都是等时距的。针对样本不能满足等时距的需要,通过一定方法将样本等时距化,用多变量灰色模型MGM(1,n)与马尔科夫转移矩阵相结合对等时距样本进行建模,建立非等时距的灰色-马尔科夫模型。文中结合某大坝内部水平位移实测数据,用此模型进行建模。结果表明,灰色-马尔科夫模型不仅比灰色模型的拟合精度高,而且提高了预测精度。     

改进灰色人工神经网络模型的超高层建筑变形预测

针对灰色人工神经网络模型初始化权值和阈值的随机性导致易产生误差积累和过拟合的缺陷,该文利用遗传算法的全局优化能力训练灰色人工神经网络模型的权值和阈值,构建了基于遗传算法的灰色人工神经网络超高层建筑物变形预测模型。结合长沙北辰新河A1超高层建筑变形监测实例,用该文所提模型与灰色人工神经网络模型分别进行变形数据的处理分析和预测。实验结果表明,该文提出的模型具有更好的预测精度,预测趋势也更加逼近实际测量结果。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

基于 Markov 理论的加权非等距GM（1，1）预测优化模型

背景值的构造方法是影响加权非等距GM(1,1)预测模型的精度和适应性的关键因素。文中通过等分函数法构造新的背景值对传统的加权非等距GM(1,1)模型进行优化,优化后的模型使其同时适应于高增长指数序列和低增长指数序列,提高传统模型的预测精度和适应性能力。但是优化后的模型依然易受建模数据随机扰动影响。马尔科夫(Markov)模型具有削弱建模数据的随机扰动性的优势。基于此,将优化的加权非等距GM(1,1)模型和Markov理论有机结合,构建优化的加权非等距Markov-GM(1,1)预测模型。最后,结合秀山湖二期工程的变形实测数据,运用新陈代谢的计算模式进行预测验证。结果表明:优化的加权非等距Markov-GM(1,1)预测模型的拟合和预测精度都优于传统的加权非等距GM(1,1)预测模型,新的预测模型的适用性更强,具有实际的参考价值。