共查询到20条相似文献,搜索用时 31 毫秒
1.
等维信息灰色模型是对传统灰色模型的改进,但其模型背景值仍设定为0.5,为了使模型的预测性能得到提高,本文提出了基于粒子群PSO算法的等维信息灰色模型来优化模型的背景值,以消除灰色模型本身固有的偏差。根据已有的高铁隧道沉降监测数据,对其进行小波去噪处理,再分别建立传统GM(1,1)模型、等维信息GM(1,1)模型和PSO-等维信息GM(1,1)模型进行拟合预测,并与原始数据进行对比。预测结果表明,改进后的等维信息GM(1,1)模型的预测精度更高。 相似文献
2.
针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。 相似文献
3.
《测绘科学》2020,(3)
针对传统的GM(1,1)模型在建筑(构筑)物形变和沉降预测中的灰色作用量恒定和背景值构造有偏差的缺陷,该文通过引入线性时间项的灰色作用量和广义加权构造最优背景值相结合的方法构建了优化背景值的时变参数GM(1,1)模型。以实际铁路沉降监测点的累计沉降监测数据为例,分别采用传统的GM(1,1)模型、时变参数GM(1,1)模型和优化背景值的时变参数GM(1,1)模型对观测数据进行了拟合和预测。结果表明,优化背景值的时变参数GM(1,1)模型的拟合和预测精度相比传统GM(1,1)模型和时变参数GM(1,1)模型有很大提高,适合于铁路沉降数据的监控和分析。研究结果可为铁路的沉降预测提供一定的参考价值。 相似文献
4.
5.
公路路基沉降灰色预测方法之探讨 总被引:2,自引:0,他引:2
根据公路路基沉降规律和GM(1,1)模型单调指数变化的特性,提出了对原始数列进行分析,合理选择GM(1,1)模型或灰色Verhulst模型。若原始数列处于快速沉降阶段,宜选用GM(1,1)模型;若原始数列处于沉降饱和阶段,宜选用灰色Verhulst模型,并用数学方法证明了灰色Verhulst模型的合理性。 相似文献
6.
7.
针对建筑物的沉降问题,在现有的数据基础上,建立新陈代谢GM(1,1)模型来预测建筑物的沉降量,并通过实例与传统灰色模型进行对比.结果表明,优化后的GM(1,1)模型能更好地预测建筑物的沉降发展趋势,具有较强的实用性. 相似文献
8.
9.
灰色预测在建筑物沉降变形分析中的应用 总被引:42,自引:11,他引:31
本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。 相似文献
10.
11.
针对GM(1,1)模型易受建模数据随机扰动影响,且模型稳定性较差的问题,该文提出了基于马尔科夫(Markov)理论的GM(1,1)预测优化模型。首先,通过最小二乘原理选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值,同时利用正化残差序列法进一步修正残差。然后,将优化的GM(1,1)模型和马尔科夫理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建了优化的灰色马尔科夫预测模型。最后,以某建筑物的变形实测数据为基础,进行了传统GM(1,1)预测模型、优化的GM(1,1)预测模型和优化的灰色马尔科夫预测模型的实例计算比较,结果表明:优化的灰色马尔科夫预测模型的拟合精度和预测精度优于传统GM(1,1)预测模型和优化的GM(1,1)预测模型,且适用性更强,稳定性更好。 相似文献
12.
13.
14.
15.
16.
17.
《现代测绘》2017,(3)
灰色系统理论是一种研究少数据、先验信息贫乏问题的预测方法。目前以GM(1,1)模型为代表的灰色预测模型只适用于精确序列,但变形监测数据往往存在模糊性和关联性,这种关联性对结果的影响可大可小。传统三角模糊数GM(1,1)模型,简称TFGM(1,1)模型,把数据的模糊性融入模型,扩大了灰模型的应用范围,但上述模型没有考虑数据的关联性和整体性。在此基础上,给出一种改进TFGM(1,1)模型,该模型对发展系数做了权重比处理。结合传统TFGM(1,1)模型,给出了改进TFGM(1,1)模型的建立以及预测过程。实例验证表明,考虑数据之间相关性后的改进TFGM(1,1)模型的拟合与预测精度优于传统TFGM(1,1)模型。 相似文献
18.
在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。 相似文献
19.
针对建筑物沉降变形中各监测点相互关联、相互影响的情形,可将灰色系统理论中的GM(1,N)模型引入到建筑物沉降分析中。本文利用灰度关联方法确定相关因子的关联度,建立GM(1,N)模型,并与回归分析、GM(1,1)模型比较。通过工程实例,得出灰关联GM(1,N)模型预测精度明显高于另外两种模型,验证了该模型在进行建筑物沉降分析预测中应用的可行性。 相似文献
20.
提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。 相似文献