遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

不等时距灰色模型在深基坑变形预测中的应用

传统的灰色模型多适用于等间距序列监测数据的模拟预测,而实际上由于各种原因往往使所获得的监测数据是不等时距的。研究了基于不等时距灰色预测方法的深基坑变形预测模型,应用深基坑工程变形的实际监测资料,对其预测精度及可行性进行了充分的分析比较与论证。结果表明,不等时距灰色模型预测深基坑变形的精度及可信度较高。     

基于小波变换和灰色模型的变形监测数据分析

变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(1,1)模型对未来形变进行预测.采用两例典型实例对所提小波GM(1,1)模型和传统GM(1,1)模型的建筑物形变预测性能进行对比评估,结果表明所提方法能够获得更高的预测精度,对不同数据的适应性和泛化能力更强,可满足实际工程应用需求.     

卡尔曼滤波-灰色组合模型及其在变形监测中的应用

建筑物变形监测数据呈现出典型的时变、非平稳和小样本特征,导致传统单一模型难以获得满意的预测精度。针对该问题,本文提出将卡尔曼滤波与灰色模型结合构建一种组合预测模型。首先利用卡尔曼滤波对原始监测数据进行平滑滤波,对数据中所含随机干扰误差进行动态抑制;之后利用灰色模型拟合数据中隐含的变形趋势信息,从而在小样本情况下获得较长时间的预测能力。基于实际建筑物变形数据开展试验,结果表明：与传统小波分析、灰色模型相比,该方法的预测精度明显提升,并且在小样本情况下具有更高的稳健性。     

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。     

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。     

基于灰色神经网络模型修正矿区地表变形数据

针对矿区地表变形数据间断缺失的现象,分析了矿区地表变形数据特点,提出了一种灰色神经网络组合模型对间断数据进行预测。首先,利用非等间距灰色模型计算灰预测平面,再采用BP神经网络模型对预测平面区间进行加权组合,得到最终的预测值。实验表明:灰色神经网络组合模型预测精度高于灰色模型,对矿区地表变形数据处理的适应度更高。     

灰色RBF在地铁沉降监测中的应用

随着城市发展,致使地铁沉降的因素越来越多,地铁沉降监测越来越重要。对此,本文基于灰色模型和RBF神经网络预测模型,对两者融合方法进行了研究。通过对某城市地铁沉降监测数据进行预报和分析,证明了灰色RBF神经网络模型预测精度优于单一模型预测精度,组合模型避免了灰色模型线性补偿的弊端、增加了数据利用率、增强了算法的鲁棒性,预报结果更加准确。     

非等时距灰色线性组合模型在变形监测中的应用

由于建筑物的变形发展是具有一定趋势的动态过程,有其内在的规律性,而变形监测数据正是这种规律的反映,也就是说前期观测数据的变化蕴含着后期发展变化的趋势。本文通过含有线性因素的非等时距灰色线性组合建模并对实际工程变形监测数据进行处理,与传统的非等时距灰色系统数据处理进行比较分析,从而得出此类模型特点以及优势以供参考。     

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。     

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。     

改进BP神经网络模型的地基变形预测

BP神经网络模型是一种经典的预测模型,被广泛应用于变形分析预测的各个领域。本文采用一定方法以进一步改进BP神经网络模型,并通过灰色Verhulst-BP模型分析软基处理地基的实例数据,结合Matlab语言,编程比较分析预测及实测的数据,得出结果证明改进灰色Verhulst-BP模型的分析预测精度较高,比较适合于建筑地基变形的预测分析。     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

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。     

基于BP神经网络与变形监测成果的隧道安全状态评估

隧道变形监测周期长、内容多且影响因素复杂,因此需要对隧道监测方法进行不断的改进,对隧道的健康状态进行实时评估。研究变形监测范畴内基于BP神经网络的隧道安全状态评估模型,组建集卫星定位技术、测量机器人、传感器技术、移动网络通信等为一体的现代化物联网模式下的隧道变形监测系统,分析多源数据的变形特征,结合专家经验知识,实现基于BP神经网络与变形监测成果下的隧道安全状态评估,为隧道变形监测及安全状态评估提供一种新颖而有效的方法。     

变形分析的神经网络技术应用实例

大型工程施工过程中的变形监测、分析与预报极为重要。变形分析建模的方法很多,神经网络技术的应用是其中之一。文中结合某深基坑工程的监测资料和工作经验,运用神经网络BP算法进行预测分析。简述BP神经网络的基本概念,介绍基坑变形分析的BP神经网络的具体模型结构,将神经网络方法预报结果与实测数据对比效果较好。该成果对生产实践具有参考价值。     

灰色模型分析法在高层建筑物变形监测预测中的应用

在变形监测过程中,获取监测资料以后,通过对高层建筑物观测资料进行研究分析,可以掌握地基随时间的沉降规律,预测其下一步的变形趋势,并为可能发生的变形做好必要的准备,减少因非预计沉降带来的损失。灰色模型分析法是一种常用的数据处理及预测分析方法,本文在简单介绍了灰色模型分析法的基础上,利用灰色模型分析法预测了变形监测数据,并得出了有益结论。