大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

一种马尔可夫的非等间距多点灰色预测模型

针对非等间距单点灰色预测模型在处理多点变形预测时,没有考虑点与点之间的关联性和它们之间的相互影响,而且容易受建模数据随机扰动性影响这一问题,该文提出了一种基于马尔可夫的非等间距多点灰色预测模型。首先,结合某基坑的变形实测数据,建立非等间距多点灰色预测模型和非等间距单点灰色预测模型,通过两种模型预测结果对比验证非等间距多点灰色预测模型在处理多点变形预测问题上的优越性,然后运用马尔可夫模型建立状态转移概率矩阵对预测结果进行修正,最后建立基于马尔可夫的非等间距多点灰色预测模型。结果表明,基于马尔可夫的非等间距多点灰色预测模型的拟合及预测精度更高,适应性更强,更符合实际变形情况,具有实际参考价值。     

贫信息条件下的多点变形预测模型及其应用

常用的单点变形分析方法没有利用监测点间相互关系的信息，不足以反映变形体整体的变形规律。本文将单点的变形预测模型扩展为多点的变形预测模型，建立了贫信息条件下的多点预测模型。进行了实例建模与分析，结果表明，多点预测模型为解决少数据，多因子的动态系统预测与分析提供了新的途径。     

三重加权变形监测预测模型及应用

针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

基于高斯过程回归的变形智能预测模型及应用

岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型（GPR-TIPM）;将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。     

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。     

最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开，基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想，以非等间隔灰色预测模型与BP神经网络模型为预测单模型，以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源，以最优加权法对单模型预测结果开展了最优权组合，组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价，结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果，最优权组合预测的模型精度较单模型明显提升，预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

多目标遗传算法改进的加权多点灰色模型

针对传统多点灰色预测模型MGM(1,n)白化背景值构造方法不合理性导致模型往往不符合变形体实际情况的问题,该文提出了一种基于遗传算法的加权MGM(1,n)模型。引入白化背景值最佳生成权值矩阵替换传统模型背景值构造公式中的紧邻均值生成权阵,较好地顾及变形区域内多监测点变形趋势的突变性与不规则性,弥补了线性系统MGM(1,n)模型在非线性动力学系统变形预测分析应用中的不足;建立多目标优化实数编码遗传算法,实现背景值最优构造权阵的迭代搜索。基于仿真和工程实例数据的建模结果表明:改进模型较传统MGM(1,n)模型预测精度提高,抗噪声干扰能力增强。     

改进型果蝇算法优化的灰色神经网络变形预测

针对灰色神经网络权值阈值的不确定性,该文提出改进型果蝇优化算法优化的灰色神经网络预测模型。通过添加逃脱系数修改适应度函数,同时引入三维空间搜索的概念扩大了果蝇搜索范围对基本果蝇优化算法进行改进,避免算法陷入早熟收敛的陷阱,加快收敛速度,有效地提高了算法的优化性能。利用改进型果蝇优化算法优化灰色神经网络参数建立预测模型。选用实际工程沉降数据仿真模拟,验证该模型的预测性能,并将预测结果与果蝇优化算法灰色神经网络、粒子群优化灰色神经网络和灰色神经网络进行比较。结果表明,改进型果蝇优化算法优化的灰色神经网络预测模型预测精度更高,拟合程度更好。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

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。     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。     

自适应变异粒子群优化灰色模型在变形分析中的应用

标准灰色模型GM(1,1)以序列第一个分量作为初始条件进行灰色微分建模,未能充分利用序列中的新信息;其背景值的构造本质上采用了数值积分中的梯形法,精度不高。针对上述缺点,提出一种基于粒子群算法的灰色预测模型,即PSOGM(1,1)模型,对初始值和背景值参数进行优化,并将模型应用于岩体变形分析中。计算结果表明,PSOGM(1,1)模型具有较高的预测精度,可作为变形分析的一种新方法。     

改进的灰色GM-AR组合模型在基坑监测数据处理中的应用

灰色预测模型在变形监测领域已得到广泛的应用和发展,灰色模型在理论上可以进行中长期预测,但实际应用中随着时间的推移预测精度也随之下降,为了解决这一问题,本文对GM(1,1)模型进行了改进并将改进后的GM(1,1)模型与时间序列模型组合,利用GM-AR模型进行预测可提高模型的预测精度,并应用实例证明了该方法的可行性。     

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。     

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

基于时间序列分析的桥梁变形监测预报研究

时间序列分析方法对短期建筑物变形预报具有较高的模型拟合及预报精度.本文从时间序列预测算法原理出发,阐述了使用此方法对所获得的桥梁变形监测数据进行模式识别、模型建立及预报的过程,并利用MATLAB实现了编程代码.通过对某桥梁变形监测预报的应用表明,该方法实用性较强,可以及早为桥梁变形做出预警,以避免或减少灾害的发生..     

加权灰色预测模型及其计算实现

鉴于GM（1，1）灰色预测模型中背景值取值方法的不足，引入背景值最佳生成系数，得到新的背景值计算式，从而将GM（1，1）预测模型扩展为加权灰色预测模型－－PGM（1，1）预测模型；并对PGM（1，1）预测模型中的最佳生成系数p及灰参数的估计计算进行了详细论述，应用迭代法来确定要应的数值。实例表明，此方法的拟合精度和预测效果均优于GM（1，1）模型。     

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。