基于小波神经网络的桥梁变形监测预报

小波神经网络对建筑物变形预报具有较高的模型拟合及预报精度。从小波神经网络算法原理出发,阐述了使用该方法对所获得的桥梁变形监测数据进行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,该方法具有很强的可行性和实用性,可及早为桥梁变形预警,避免或减少灾害的发生。     

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..     

变形监测数据预报的动态贝叶斯ELM方法

贝叶斯极限学习机(BELM)具有充分利用数据先验信息,可以自适应估计模型参数的特点。但在样本数量不断增加时,如果每次都对BELM重新训练将会降低计算效率。针对此问题,本文提出一种动态贝叶斯极限学习机(DBELM)方法以应用于变形监测数据实时预报。该方法以BELM训练的模型参数为初值,根据新增样本信息可对初始模型参数进行动态更新,并从理论上推导了相关计算公式。通过对仿真数据和实际变形数据进行详细分析表明:DBELM方法的预报精度要优于BELM、正则化极限学习机(RELM)、极限学习机(ELM)3种方法。特别是在长期持续预报过程中,其预报性能相对于其余3种方法优势明显。这充分表明了所提方法应用于变形监测数据预报领域具有可行性和有效性。     

基于时序分析的建筑物沉降数据处理

变形数据分析与预报是变形监测数据处理的重要内容。基于时间序列分析的特性,研究了应用AR模型对建筑物沉降数据进行分析处理和预报的方法步骤,并通过实例计算证明,该模型具有较好的拟合效果和预报精度。     

遗传小波神经网络在变形预报中的应用

目前常用的变形预报方法有BP人工神经网络和小波神经网络,但是都存在收敛速度慢且易受局部极值的影响。针对这两种算法的不足,本文利用遗传算法的全局寻优特性,将遗传算法与小波神经网络结合,形成遗传小波神经网,将其应用于变形预报,取得了良好的效果;并将算法的预报精度、稳定性、有效区间及运算时间作为评价算法优劣的4个标准,对BP神经网络、小波神经网络及遗传小波神经网络进行对比,结果表明遗传小波神经网络具有明显的优势。     

顾及基坑施工影响的地铁区间隧道结构卡尔曼滤波预报模型

将有限元分析计算得到的基坑开挖对地铁隧道结构变形的影响结果作为控制变量引入卡尔曼滤波模型,同时设计了以工程进度为依据的控制变量矩阵参数选取方法。以某地铁侧方基坑开挖项目为实例,分别进行了短期和较长期预报。对于短期预报,一般卡尔曼滤波模型和本方法均能较好地预报变形趋势;在较长期的预报方面,本方法的预报结果与实际观测结果更加吻合。     

模糊综合评判方法在大坝变形分析与预报中的应用

提出应用模糊综合评判方法进行大坝的变形分析与预报,阐述基本原理,并应用该方法对西津大坝27#点的观测资料进行分析整理,通过建立相应的隶属函数,对此点的30期观测资料进行了预报,成功率达73%,说明该方法在大坝变形观测数据处理中具有一定的实效性.     

动态最小二乘支持向量机学习算法

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法.该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率.大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点.     

基于GM(1,1)数据融合算法的滑坡预测研究

滑坡会对人类生命和财产造成巨大损失,预测预报是预知滑坡灾害发生并减少其影响的重要手段。GM(1,1)算法在滑坡预测中得到普遍应用,该算法具有较少数据量建模的优点。对于滑坡不需要了解各种影响因子的具体状态,但存在建模数据量选取不确定性和长时距预测精度降低的问题,以GM(1,1)模型为基础,引用数据融合技术,对滑坡变形量进行预测,并用实测数据进行验算,结果表明该方法能提高滑坡的预测精度。     

系数矩阵中部分有界不确定性的混合平差算法

在测量数据的获取过程中,常常存在着不确定性。它们影响着参数估计的有效性和可靠性。本文基于不确定性混合平差模型,在不确定性误差有界的约束下,利用随机误差和不确定性误差平方和达最小的新平差准则,给出了一个新的不确定性平差模型迭代算法。通过算例,对本文算法与其他方法进行了比较。结果表明：本文所提参数解算方法是有效可行的,且在不确定性较大时,该方法有较好的适用性。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。     

利用MATLAB的地表动态预计系统的算法设计

本文分析了当前地表动态预计软件的现状和MATLAB软件功能特点,重点介绍了该软件在开发地表动态预计系统算法的应用.以动态时间函数结合概率积分法为理论基础,运用MATLAB软件进行开发预计系统.结果表明,该方法能反映地表移动的动态特征,实现了煤炭开采对地面动态沉陷影响的较为精确的分析与计算,可以直观而精确地对地表变形各种...     

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。     

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。     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

融合单视线D-InSAR和BK模型的煤矿地表三维变形动态监测方法

合成孔径雷达差分干涉测量（differential interferometric synthetic aperture radar, D-InSAR）在获取地表形变的过程中有其特有的监测手段,针对D-InSAR矿区地表三维变形监测的难点,首先,顾及D-InSAR难以获取快速大梯度变形的特性,选取边界拟合度较好的Boltzmann函数模型,结合Knothe时间函数,构建一种BK(Boltzmann-Knothe)模型;然后,由于D-InSAR仅能获取地表沿视线向（line of sight, LOS）的短时段一维变形量,依据地表三维移动变形和LOS向变形的投影关系,结合目标区域地质采矿条件,构建适应短时段单视线向变形的适应度函数;最后,引入烟花算法（fireworks algorithm, FWA）,提出了融合单视线D-InSAR和BK模型的煤矿地表三维变形动态监测方法。模拟实验表明,所提方法能够可靠准确地反演出全部开采沉陷动态预计参数,求参相对误差为0.11%～7.51%;在大变形区域,该方法监测的下沉和水平移动与真实值一致。抗差求参实验结果表明,在观测误差或模型参数误差的影响下,该...     

动态评估策略的GEP算法在大坎变形预测中的应用

针对传统基因表达式编程方法预测方面的不足,采用动态评估策略的GEP算法深入分析并预测了大坝变形趋势,对监测某大坝变形进行了预测分析。实验表明,与传统GEP预测方法相比,动态评估策略的GEP算法预测精度优于传统的GEP预测,克服了传统GEP预测方法的不足,提高测量精度,在大坝监测预报中是有效可行的。     

基于分时散射目标的非城区地形PS-InSAR监测

永久散射体(PS)在非城区的分布密度通常难以满足PS-InSAR技术的地形监测需求,导致PS-InSAR监测误差较大,而非城区通常存在一定时段内的散射目标,即分时散射目标,为此,本文提出基于分时散射目标的改进PS-InSAR算法。首先采用通过边缘保持EMD算法对SAR影像干涉对进行降噪;然后以双层K-means聚类提取非城区的分时散射目标候选集,并通过可信概率提取可靠的分时散射目标;最后通过组内加权参数迭代和组间等权融合,计算监测区的地表形变。试验结果表明,提取的分时散射目标与同位置PS点具有相近的分布特性和变化趋势,较大地提高了非城区目标点的分布密度,提高了非城区地表形变监测的精度。     

基于DInSAR与概率积分法的铁路变形监测与预测

为掌握采空区上方铁路实时动态变形及变形趋势,本文提出了合成孔径雷达差分干涉技术（DInSAR）与概率积分法相结合的方法。首先利用DInSAR技术对采空区进行了监测,并利用水准数据对DInSAR结果进行了验证;然后基于DInSAR结果结合概率积分法反算参数,并对参数进行了修正,得到工作面充分采动时的下沉参数;最后利用修正的参数对铁路的变形进行了预测。结果表明两者的结合可以有效地对铁路等线性构筑物进行监测与预测。