一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC）,利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值,初步建立GA-BP神经网络预测模型,结合马尔科夫链的无后效性修正模型预测值,形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据,分别与BP神经网络、GA-BP神经网络预测模型进行对比,结果表明,该预测模型精度最高。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

一种基于遗传算法和BP神经网络的对流层延迟改正模型

对流层延迟是影响全球卫星导航系统定位精度的主要因素之一。针对全球气象数据建立的对流层延迟改正模型区域精度较低这一问题,文中基于遗传算法和BP神经网络技术,在EGNOS模型基础上建立一个高精度的区域融合模型(GA-BPEGNOS模型)。选取北美洲2010—2014年41个观测站点,以国际GNSS服务中心的对流层产品作为真值,分析比较EGNOS模型和融合模型的对流层天顶延迟。研究表明,EGNOS模型的均方根误差为80.38mm,融合模型的均方根误差为34.44 mm。与EGNOS模型相比,融合模型的精度提高约57%,取得满意效果。     

基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

基于蚁群-BP神经网络的基坑变形预测

由于神经网络具有较好的自组织和自适应特点,已被广泛应用于基坑变形预测领域.但神经网络中节点的权值最优化难以处理.为进一步提高BP神经网络性能,实现准确、快速预测基坑变形的目的,可将蚁群算法作为BP神经网络的学习算法,建立一种新的蚁群神经网络预测模型.实例表明,基于蚁群—BP神经网络的基坑变形预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力,取得了较好的效果.     

优化组合模型在建筑物基坑沉降预测中的应用

为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。     

基于神经网络的组合模型在基坑沉降预测中的应用研究

通过对基坑沉降发展规律及其沉降曲线特点进行的研究,在多种S型单项预测模型基础上引入了组合预测的思想,本文先用4种S型增长曲线模型分别对基坑开挖周边地表沉降值进行拟合和预测,然后基于各单一模型预测数值通过神经网络进行组合建立组合模型进行预测。通过实例,对模型的预测结果进行了分析和检验,证明了在沉降变形分析中应用此组合预测法的可行性。     

基于GA-BP神经网络的高铁线下工程沉降预测模型

结合遗传算法与BP神经网络模型,介绍GA-BP模型的基本原理,建立高速铁路线下工程遗传BP神经网络沉降预测模型,并探讨模型精度的影响因子。通过实例分析表明GA-BP模型具有预测精度高、收敛速度快的特性,进而验证GA-BP模型在高速铁路线下工程沉降预测评估中的科学实用性。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

改进后灰色神经网络及短期基坑沉降预测研究

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。     

基坑环境下建筑物沉降InSAR监测应用

针对近年来城市大建设背景下的基坑施工建设日益增多,对周边一定范围内的建筑物等目标产生影响的现象,该文提出面向单体建筑物的InSAR监测与应用方法。该方法基于时间序列的SAR影像进行面向对象的InSAR分析,在区分地面沉降与建筑物沉降的基础上,提取建筑物的沉降信息并结合基坑、建筑物特征等背景资料开展建筑物的灾害评估分析。以天津市和平区某基坑周边的渤海大楼为例,进行高分辨率的InSAR监测与应用分析,并以同步实测的水准数据为参考进行有效性评估。实验结果验证了该算法的有效性,适用于建筑物InSAR监测应用。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

建筑物沉降监测中的改进灰色模型

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。     

一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

某工程深基坑回弹观测及建筑物沉降观测、成果分析

在深埋基础建筑的施工中,基础底面将经历回弹-再压缩-附加沉降的过程。本文通过对具体工程的变形观测,概述了其特点、实施过程中的难点,对现场采集到的数据进行统计、分析,总结出变形量的分布特点及一般规律。同时观测结果验证了对高层建筑部分地基进行加固处理的设计方案明显地改善具有高低差异建筑群的沉降分布状况,大大减少了差异沉降。     

改进的GM-AR组合模型在地铁沉降预测中的应用

灰色预测模型对沉降的整体趋势有很好地预测结果,时序模型针对随机性的数据进行预测,二者结合一定程度上可提高预测的精度。文中通过改进GM-AR模型并将其应用于地铁沉降预测中,同时与灰色预测模型和GM-AR组合模型的预测精度进行对比分析。结果表明,改进后GM-AR模型可以有较好的预测效果。     

改进的灰色模型在高铁沉降预测中的应用

针对目前灰色模型在高速铁路沉降预测中存在的不足之处,该文提出了一种通过改善原始数据序列的光滑度来提高灰色模型预测精度的方法,并结合实例,验证了改进灰色模型在高速铁路沉降预测中的可行性,为今后高速铁路的沉降预测评估提供了更多的参考和借鉴。