改进灰色GM(1,1)模型在滑坡预测中的应用

滑坡形成因素复杂,具有典型的灰色不确定性。为研究滑坡发展趋势,在已有滑坡预测技术的基础上,分析了典型灰色GM(1,1)模型在运算过程的误差原因,建立了改进灰色GM(1,1)模型;并运用滑坡实例验证了改进模型,直观显示曲线拟合情况。结果表明,改进后的模型预测精度等级明显提高,相对误差减小;说明所建滑坡预测模型效果好,在滑坡位移预测中有效可行。     

正规矩阵选取半参数灰色模型改进的预测建模

正规矩阵是对模型误差补偿性的直接表达,时间序列法用一阶差分方程和二阶差分方程计算得到不同的正规矩阵。针对传统GM(1,1)模型没有考虑模型误差,而数据处理过程中所建立的数学模型与客观现实并不一致的问题,该文提出建立顾及模型误差的半参数模型的GM(1,1)模型。对由传统半参数模型得到的正规矩阵采取一阶差分法进行改进,并通过算例证实了改进正规矩阵的半参数模型的GM(1,1)预测精度更高。     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

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。     

基于半参数模型的滑坡段数据估计与预测

在滑坡段数据的参数平差模型的基础上,通过在模型中增加表示模型误差或系统误差的非参数分量,将半参数模型的估计理论应用到滑坡段参数估计与预测中,分离出数据中的系统误差,给出了滑坡稳定系数的预测公式;并以云阳-奉节长江顺层岸滑坡段实测数据为例,将半参数估计方法与最小二乘方法进行了比较分析,验证了半参数估计方法应用到估计和预测滑坡段数据的可行性和有效性。     

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。     

RBF神经网络—半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型。结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行。     

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。     

基于熵权法的组合模型在滑坡变形预测中的应用

以趋势曲线预测模型中的多项式模型和指数模型为基础,基于熵权法建立组合预测模型,就其建模理论和计算流程进行系统分析,并对某滑坡体进行预测。结果表明,文中组合方法相对于其它组合方法而言,理论简单,能够有效地反映滑坡体的变化规律,且提高了拟合预测精度,在预测工作中具有一定的参考价值。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

动态灰色模型在变形预测中的应用

本文在引入序列算子成功构造灰色序列的基础上,详细讨论了灰色预测模型的基本内容和两种动态灰色预测模型的实现,并成功将其应用于广州地铁变形监测的数据预报。实践及理论证明,新陈代谢灰色预测模型由于实时加入系统的最新信息,提高灰区间的白度,预测精度最高;灰数递补模型通过引入灰数,一定程度上也提高了预测的精度。新陈代谢灰色预测模型实践证明预测精度可达到一级。     

卡尔曼滤波算法的灰色理论模型在变形监测中的应用

本文针对灰色理论模型在建模过程中受到随机扰动影响这一问题,提出了利用卡尔曼滤波处理建模数据的方法.经过实例检验,证明基于滤波算法的灰色理论模型在一定程度上可以提高预测值的精度,更好地反映了观测目标的变形趋势,在变形监测中具有一定的优势.     

灰时序GM-AR模型在建筑物沉降变形预测中的应用

本文以现代高层建筑沉降变形预测为主要研究目的,讨论了灰色GM(1,1)模型和时序AR模型的特点和适用范围,从预测的角度对灰色和时序模型进行了比较和分析;提出了基于优化灰参数α、u的GM(1,1)模型和AR组合模型预测高层建筑物沉降变形的新方法;将变形量分解成具有确定性的趋势项和具有不确定性的随机项,建立GM-AR模型分别对趋势项和随机项进行预测,应用结果表明,该方法使预测结果更为可靠、准确。     

地基SAR在滑坡形变监测中的应用

地基InSAR是近年发展起来的基于地基SAR(GB-SAR)获取地表形变的一种新的技术手段,分辨率高、可实时监测,实现毫米级形变监测精度,为近距离滑坡实时监测与预警提供了先进的技术手段。本文首先以澜沧江某滑坡体为研究对象,在滑坡体对岸设立固定站点,按固定频率进行GB-SAR数据采集;然后通过先后两景影像形成干涉对,利用相干阈值方法提取相干点目标;最后利用形变模型提取滑坡体形变结果。研究表明,地基SAR可获得整个滑体形变边界、形变大小空间分布及时间变化历程,对滑坡体灾害实时监测非常有效,可为滑坡灾害监测及预警提供参考。     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

GM(1,1)模型在建筑物变形预测中的应用

通过对某楼群变形预测的实例,阐述了如何利用现场采集的数据信息,按灰色理论的ＧＭ（１,１）模型建立预测模型,对建筑物变形进行预测预报的方法。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。