地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。     

基于Theil不等系数的IOWA算子最优变形组合预测模型

针对传统组合预测模型中各单项预测模型赋权问题的不足,提出一种基于Theil不等系数的IOWA算子最优变形组合预测模型。利用IOWA算子,依据各单项预测模型预测值各时间点精度的不同,赋予不同的权系数,建立最优组合预测模型,并将其应用于变形数据分析与预测。实验结果表明,本文方法的预测结果比各单项模型与传统组合模型的结果更准确。     

变形预测中的组合预测思想与模型探讨

可用于变形预测的模型众多,但因预测的不确定性问题存在,对预测的精确性产生了很大影响。本文基于组合预测方法,对这一预测方法的思想进行了详细分析与探讨,提出了组合变形预测模型,对变形预测技术的发展提供了理论参考。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

基于变形信息分解的大坝变形趋势判断及预测研究

在分离大坝变形数据信息的基础上,利用重标极差法实现大坝变形趋势判断,然后利用优化极限学习机及混沌理论实现大坝变形预测。重标极差分析表明,大坝变形始终具有正向持续性,但其程度具有减弱趋势。在变形预测过程中,模型参数的递进优化不仅能提高预测精度,还能有效提高其稳定性,预测模型的相对误差均值均小于2%,验证了本文预测思路的有效性。大坝变形趋势判断及预测结果一致性较好,均认为大坝变形仍会进一步增加,但增加幅度相对较小,趋向于稳定发展。     

改进的最优非负变权组合模型及其应用

根据GM(1,1) 、BP神经网络、卡尔曼滤波的特点,建立以灰色关联度最大为准则的最优非负变权组合预测模型,在一定程度上抑制了误差“放大”的效应。与以误差平方和最小为准则的变权组合模型、各最优加权组合模型、各单一模型进行对比分析,结果表明,本文模型预测精度最高。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

变形监测灰色预测模型对比及替代方法研究

将变形监测灰色预测模型分为传统GM(1,1)模型及其改进模型、非齐次灰色模型、GM(1,1)幂模型及其改进模型3种类型,以Origin拟合函数Exp2PModl、Exponential和SRichards2作为3类灰色预测模型的替代方法,基于理论研究和实例验证对比分析3类灰色预测模型及其替代方法。结果表明,3类灰色预测模型在拟合函数、有无极限值、适合等时距或非等时距建模和适用范围等方面存在显著差异,需要根据变形监测数据特征选择合适的灰色预测模型类别;与3类灰色预测模型相比,Origin拟合函数在参数求解和建模数据要求上更具优势,而且可以得到相当甚至更高的拟合或预测精度,除需要编程实现的特殊优化目标外,完全可以代替灰色预测模型用于变形监测。     

基于MEA-WNN的大坝变形预测

文章将思维进化优化算法引入大坝变形预测领域,提出基于思维进化法优化小波神经网络(MEA-WNN)的大坝变形预测模型。通过算例验证,并与WNN、GA-WNN对比分析,认为该模型能够克服多数进化算法的不足,提高算法的整体搜索效率,同时能够确保较优的局部预测值和较好的全局预测精度,具备快速的收敛能力,验证MEAWNN预测模型在大坝变形预测中的可行性和实用性。     

基于EEMD-LSTM模型的BDS卫星轨道预报精度分析

为解决深度学习模型中轨道误差序列数据的噪声误差积累问题,提出EEMD-LSTM组合预测模型,并利用GEO、IGSO、MEO三类卫星数据进行轨道预报分析。结果表明,EEMD-LSTM组合预测模型在卫星轨道预报中能够有效抑制噪声的误差积累,GEO、IGSO、MEO三类卫星的轨道预报精度均有所提高,也能够有效拟合动力学模型轨道的预报误差,EEMD-LSTM组合预测模型对GEO、IGSO、MEO三类卫星的平均改进率imp分别提高2.70百分点、2.46百分点和8.33百分点。     

���ŷǸ���Ȩ���ģ���ڴ�ӱ����е�Ӧ��

?????????GM??1??1????BP?????????????????3?????????????????????????????????е???????????????????????????????????????????????????????????????????????????????????????????????????????0.11 mm?????????????о??????????ü????     

一种基于熵权法的小波去噪复合评价指标

传统的评价指标在真值未知的情况下不能满足小波去噪质量评价的要求。为此,借助变化率特征重新构建均方根误差变化量和平滑度变化量两个指标,利用熵权法定权将归一化后的两个指标线性组合,所得到的新指标即为复合评价指标。该方法借助指标的变化率随分解层数的增加表现出明显的收敛特性来确定去噪最优分解层数。实验表明,该方法能够在真值未知的情况下准确地指导小波分解,确定去噪最优分解层数,从而达到最优去噪效果。     

���ڽؾ�������GM��1��1��ģ���ڼ���Ԥ���е�Ӧ��

????GM??1??1???????????????ж????????????????????????????????????????????μ????????????????????????????????????????????????????GM??1??1???????????????????????????????Ч???????????     

���μ���������Ԥ��Ĵ����벢��ģʽ�о�

??????μ???????????????????????????????????????????????????????????????з????????????????????????????????????????????????????￡?????????????????????????????????????????????????????????????????????Ч?????б????????????????????????????????????????????????????     

����Ԥ����Ч�ȵı����������Ԥ��

??????????????????????????????Ч?????????????????????????????????????????????Ч?????????????????????????????????????????Ч????     

最优非负变权组合模型在卫星钟差预报中的应用

针对单一卫星钟差预报模型自身存在的缺陷,提出基于二次多项式、灰色GM（1,1）和ARIMA等三种单一模型的最优非负变权组合预报模型。通过与各单一模型和经典权组合模型进行对比分析表明,该模型预报残差RMS值最小,精度更高,能够根据各模型预报效果赋予不同的权值,在一定程度上综合了多种单一模型的优点,可降低预报风险,提高模型预报的可靠性。     

��ɫϵͳ�в�Ԥ��ģ�������������Ӧ��

????????GM??1,1???в?????????GMRCFS ???????????????????1998-06-10-11-28??5??GPS ??????α??????????????????GM??1,1???в??????н???????????????????????????α????????     

基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。     

���ڻ������ӵĻ�ɫģ���ڵؿ��α�Ԥ���е�Ӧ��

?????????е???α????????????????λ?????????????????????????????????λ?仯???ɡ?????????????????ж?????????????????????????????α?λ?????н??е??????????GM(1,1)?????????????????????÷??????????????????????÷??????????????GM(1,1)?????????????Ч???????????????