Volterra级数混沌自适应模型在变形分析中的应用

针对变形监测数据混沌序列的特点,提出一种基于Volterra级数的混沌时间序列变形预测模型。经过相空间重构,确定合适的嵌入维数和延迟时间,输入Volterra级数自适应预测模型,然后得到变形量的预测值。将预测值与实际值及其他预测模型的预测结果进行比较,发现基于Volterra级数的混沌时间序列预测模型精度较高,在变形预测上是可行的。     

混沌理论在桥梁变形监测中的应用

针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接...     

混沌理论支持下的桥梁变形监测研究

针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。     

时间序列分析在变形监测数据处理中的应用

从时间序列分析的基本原理及方法出发,详细论述了如何使用这种方法对变形监测数据进行识模、建模、与预报.并通过实例计算验证了此种方法具有较高的拟合和预报精度,较好地描述了变形监测点的变化规律.     

FFT在变形监测中的应用与分析

在变形监测中获取的观测数据可以看作是时间与空间上的一组变形信号,一般该信号都会呈现趋势性,隐藏其中的周期性不易被发现;利用FFT对其拟合后的残差和小波分解后的高频信号进行变换与分析,通过时间序列分析对其分析结果建模得到短期的预测、预报,效果比较理想。     

时间序列分析在变形监测数据处理中的应用

在变形监测数据处理中,为了提高预报的精度,本文引入了时间序列分析中的ARMA模型,通过工程实例对该模型的预报精度进行检测,该工程实例的变形监测数据共有30期,本文通过前25期的数据进行ARMA建模并对第26至30期的变形量进行预报,与相应的实际观测值进行对比求差。对比结果显示预报结果良好,一步预报最大残差值在1mm,时间序列分析方法在变形监测数据处理领域应用效果良好。     

时间序列分析在地铁变形监测中的应用

本文基于平稳时间序列数据的分析处理方法,研究了利用ARMA(p,q)模型进行地铁变形数据处理和预报的方法与步骤,应用统计软件SPSS19.0对实测变形数据进行了处理。结果表明:应用ARMA(p,q)模型分析处理变形数据十分有效、可靠;同时充分利用现有的统计软件SPSS进行建模具有操作简便、计算准确可靠、预测精度高等优点。     

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。     

动态神经网络在变形预报中的应用

静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。如果每增加一个样本对神经网络重新训练,需要大量的计算时间。针对该问题,提出了动态神经网络预报模型。在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正。为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率。通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域。     

地铁结构变形预测的时间序列模型方法研究

本文根据南京地铁某区间隧道结构变形监测数据,分别采用回归分析方法和时间序列分析方法建立模型,对地铁结构变形进行预测。计算结果表明在该工程实例中,回归分析模型的预测精度约为±0.20mm,时间序列模型的预测精度约为±0.08mm,较回归分析模型提高了60%,能够较好的对地铁结构变形进行预测。     

智能优化LSSVM算法的混沌时间序列边坡变形预测模型

边坡变形序列存在一定混沌特征,本文将混沌分析方法应用到边坡变形预测中。为解决标准LSSVM模型中惩罚参数和核函数参数因任意给定或经验给定带来的非最优问题,将遗传算法和粒子群算法引入LSSVM模型,根据变形序列建立GA-LSSVM和PSO-LSSVM预测模型,与标准LSSVM混沌预测模型和基于神经网络的混沌预测模型进行比较。结果表明,GA-LSSVM和PSO-LSSVM模型预测中误差分别为0.73 mm和0.77 mm,LSSVM,BP,RBF三种模型中误差分别为0.90 mm,0.80 mm和0.75 mm;因此,本文提出的预测模型用于边坡变形预测比其他几种模型具有更高的精度。     

模糊神经网络在变形分析与预报中的应用研究

研究了模糊神经网络的网络建模,提出了单点建模、分组建模和整体建模3种建模方法,为变形分析和预报提供了新思路。结合滑坡变形实例,指出了模糊神经网在工程变形分析和预报中的可行性。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

城市地铁变形监测数据处理

为确保地铁施工安全进行变形监测是非常重要的手段,而变形监测的最终目的是预测,即对观测物的未来形态进行预报和分析。时间序列的原理是找出事物随时间变化的规律,从而对数据变化趋势做出正确的分析和预报。本文通过对时间序列的研究对长春地铁繁荣路站的变形监测数据进行了分析和预报。     

非等间距多点变形预测模型及其应用

将彼此关联的多个变形监测点纳入整体建模,将单点的变形分析扩展到空间多点的整体变形分析,采用非等间距等距化处理的改进方法,建立了基于非等间距的多点变形预测模型。本文通过实例分析与对比,验证了非等间距多点变形预测模型的可行性和有效性,是一种非线性时空整体变形分析与预测的新方法。     

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..     

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。