基于粒子群算法的组合模型在变形分析中的应用

在构建并联组合模型进行变形预测时,单项模型权值的确定是个关键问题。为了提高变形预测的精度,以基坑监测数据为例,采用GM(1,1)模型与ARMA模型进行组合,在拟合误差平方和最小的准则下,使用粒子群算法求解两单项模型的最优权值,进而构建并联组合模型进行变形预测。结果表明,该方法融合各单项模型的优势,可以提高预测精度,避免求解线性规划问题,具有较好的实用性。     

基于小波变换与ARMA模型的建筑物沉降预报

对建筑物进行沉降监测并预报其变化趋势,能有效保障建筑物的安全性。本文提出一种基于小波变换的ARMA模型用于建筑物沉降预报。利用小波多尺度分析将沉降监测数据分解为高频信号和低频信号,并分别采用ARMA模型进行预测,然后将各序列预测结果进行合成,得到最终预测结果。并以青岛市某高层建筑物监测数据为例,分别采用传统ARMA模型以及基于小波变换的ARMA模型进行预报对比分析,结果表明基于小波变换的ARMA模型取得了较高的预报精度。     

改进的修正预测法预报电离层

利用自回归移动平均ARMA模型的线性最小方差预测法预报电离层存在的主要问题是极值点处预测误差较大。通过对模型阶数上限及定阶准则的选取进行实验分析,确定了合适的模型阶数并建立了相应模型。修正预测法可利用新信息对线性最小方差预测法的预测结果进行修正。这是一种短期预报方法,每次向前预测一步即2 h,但结果并不理想。考虑到电离层变化的周期性,为了进一步减小极值点处预测误差,提出了改进的修正预测法。实验表明,改进的修正预测法预测结果与原始值符合较好。     

改进灰色马尔科夫模型在基坑预测中的研究

基坑预测问题关系到工程施工的安全,在施工过程中对基坑进行周密的监测和变性预测分析显得尤为重要。针对传统预测模型存在固有偏差和可靠性低的缺点,采用新陈代谢的原理对无偏灰色加权马尔科夫模型进行改进。该模型先用无偏灰色模型拟合系统的总体变化趋势,然后,对拟合残差进行马尔可夫状态划分,并根据各阶权重对不同步长的转移矩阵进行加权处理,用加权后的无偏灰色马尔科夫模型进行预测。在每一步的预测中,利用新陈代谢的原理不断更新建模所使用的数据。将该模型用于基坑沉降预测,并通过实例进行验证。实验表明:基于新陈代谢的无偏灰色加权马尔科夫模型提高了基坑沉降预测的精度和可靠性,预测精度与未改进模型相比提高了8.54%。     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

MVMD-ARMA残差修正电离层预测模型的研究及应用

针对变分模态分解端点效应处理方法的缺陷和分解过程中需要人为地控制输入参数,会严重影响预测结果,且ARMA模型本身在极值点附近预测精度就不高的问题,该文提出了MVMD-ARMA残差修正电离层预测模型,加强对分解时端点效应的控制,并通过阈值条件,自动选取最优参数,且对预测结果进行了残差修正。实验结果表明,改进模型的绝对残差均值为0.95TECU,分别比ARMA模型和VMD-ARMA模型小0.20TECU和0.11TECU;残差标准差均值为0.67,分别比ARMA模型和VMD-ARMA模型小0.17和0.09;平均相对精度的均值为88.64%,分别比ARMA模型和VMD-ARMA模型高2.56%和2.23%。     

改进的MEEMD-ARMA残差修正组合预测模型

针对改进集总平均经验模态分解(MEEMD)的端点效应、分解分量过多以及自回归滑动平均(ARMA)模型在极值点附近预测效果不好,该文提出一种改进的MEEMD与ARMA残差修正组合预测模型。采用支持向量机(SVM)进行数据延拓,样本熵为分解分量合并尺度以及残差修正预测值,较好地解决MEEMD的端点效应和分解分量过多的问题,提高ARMA模型预测值在极值点附近的精度。利用国际GNSS服务(IGS)提供的2015年年积日为135~164d不同经纬度电离层总电子含量数据,用3种模型对5d内的数据进行预测。实验结果表明:改进模型很好地抑制了端点效应,合理地减少了MEEMD分量,提高了极值点附近的预测精度,且整体精度得到大幅提升。     

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。     

GM(1,1)模型在深基坑变形预测中的应用

为研究基坑工程的变形规律,合理预测基坑未来的变形趋势,针对基坑工程变形中存在的各种变形因素复杂、变形大小不确定等情形,采用灰色系统理论建立基坑变形分析模型,结合工程实例,通过GM(1,1)模型群的建立确定最佳预测模型,然后在最佳模型基础上分别建立全数据模型、新信息模型、自动更新三种模型;预测结果表明应用灰色模型进行基坑工程变形分析的可行性和可靠性,为基坑工程的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。     

改进的修正预测法预报电离层

利用自回归移动平均ARMA模型的线性最小方差预测法预报电高层存在的主要问题是极值点处预测误差较大.通过对模型阶数上限及定阶准则的选取进行实验分析,确定了合适的模型阶数并建立了相应模型.修正预测法可利用新信息对线性最小方差预测法的预测结果进行修正.这是一种短期预报方法,每次向前预测一步即2 h,但结果并不理想.考虑到电离...     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

成都地铁深基坑变形可视化研究

基于成都地铁车站深基坑的实测数据,建立该基坑的独立坐标系,并对基坑测斜数据进行处理,得到独立坐标系下基坑各个特征监测点Pi的三维坐标(Xi,Yi,Zi)及变形值Ci,组成监测点的4个参数(Xi,Yi,Zi,Ci)。利用Matlab对数据进行可视化处理,通过色阶变化可发现基坑各部分的变形特征。可视化分析方法较单数据分析方法更直观,且可进行整体分析,为基坑变形数据分析提供一种新的途径。     

利用人工鱼群算法优化高斯过程模型及应用分析

基于高斯过程利用传统共轭梯度法搜索超参数,存在对初始值依赖性强、获得局部最优解的不足。本文采用人工鱼群算法对超参数进行智能寻优,建立了基于人工鱼群算法的高斯过程模型对变形体形变进行预测分析。通过隧道和基坑两个工程实例计算比对分析,NN、SE和RQ 3种核函数中NN核函数的预测效果最好,平均相对误差分别为0.69%和1.06%。结果表明超参数优化模型的预测精度得到了较大的提高,改善了高斯过程算法本身存在的超参数求解方面的不足,效果明显。     

基于自由测站的基坑水平位移监测方法探讨

本文从城市基坑水平位移监测的实际情况出发,引入了高速铁路基于自由测站的CPⅢ控制网的观测方法来进行基坑水平位移监测.通过理论分析和工程实例验证,基于自由测站的基坑水平位移监测法测站摆放灵活、网形多变,对于形状复杂、施工干扰较大的基坑变形监测能提高作业效率;采用高等级的全站仪进行观测可以满足一级基坑的监测精度要求,可达到...     

基于Matlab的建筑基坑变形灰色系统分析预报与应用

在基坑变形监测领域,将GM（1,1）模型应用于变形量的分析预报较为普遍.根据灰色系统理论,通过设定参数,进行用于基坑变形分析预报的灰色预测模型Matlab程序设计,利用具体工程前数期的实测数据,预测建筑基坑后期累计位移变形量,通过与后期实测数据的对比分析表明,程序运行的准确度较高,能够满足基坑变形预测预报的精度要求.     

混合LS-TLS的GM（1,1）模型在基坑水平位移监测中的应用

通过分析传统GM（1,1）模型的局限性,提出了混合整体最小二乘法（混合LS-TLS）的GM（1,1）模型,并将其应用于宁夏某深基坑水平位移的监测中。同时,将此模型与最小二乘法（LS）的GM（1,1）模型及整体最小二乘法（TLS）的GM（1,1）模型进行了对比,分析了3种模型所求水平位移的预测值。结果表明,混合LS-TLS的GM（1,1）模型更符合工程实际,预测精度更高,在深基坑水平位移监测中具有一定的实用性。     

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。     

大型基坑工程水平位移监测与预测结果分析

以银川大世界商务广场的基坑为例,介绍了大型基坑工程水平位移监测的实施方案,给出了水平位移监测方法的精度,并对监测成果进行了分析。在此基础上,分别用多项式拟合和时间序列分析模型两种方法进行建模,对基坑水平位移进行预测,结果表明,该基坑水平位移较小,在规范规定的要求之内,说明基坑是稳定的;时间序列分析模型的预测精度要高于多项式拟合模型的精度。     

Long-term prediction of polar motion using a combined SSA and ARMA model

To meet the need for real-time and high-accuracy predictions of polar motion (PM), the singular spectrum analysis (SSA) and the autoregressive moving average (ARMA) model are combined for short- and long-term PM prediction. According to the SSA results for PM and the SSA prediction algorithm, the principal components of PM were predicted by SSA, and the remaining components were predicted by the ARMA model. In applying this proposed method, multiple sets of PM predictions were made with lead times of two years, based on an IERS 08 C04 series. The observations and predictions of the principal components correlated well, and the SSA \(+\) ARMA model effectively predicted the PM. For 360-day lead time predictions, the root-mean-square errors (RMSEs) of PMx and PMy were 20.67 and 20.42 mas, respectively, which were less than the 24.46 and 24.78 mas predicted by IERS Bulletin A. The RMSEs of PMx and PMy in the 720-day lead time predictions were 28.61 and 27.95 mas, respectively.