回归分析在建筑物沉降变形分析中的应用

根据南宁市民生广场沉降的实测资料,文中运用回归分析法分别建立了差异沉降回归模型和累计沉降回归模型;并通过对沉降变形的预测、成果的分析和检验,证实了在建筑物沉降变形分析中应用回归分析的可行性.     

回归分析在建筑物沉降变形分析中的应用

根据南宁市民生广场沉降的实测资料,文中运用回归分析法分别建立了差异沉降回归模型和累计沉降回归模型;并通过对沉降变形的预测、成果的分析和检验,证实了在建筑物沉降变形分析中应用回归分析的可行性.     

曲线回归分析在高层建筑物沉降预测中的应用

在建高层建筑物的沉降监测是安全施工的一项重要内容。本文通过对华融天禾城2号楼的沉降观测数据,运用双曲线回归模型进行沉降预测以及对模型中的参数作显著性检验。实际研究表明,该方法可以运用于高层建筑物的沉降预测,而且应用效果良好。     

幂函数对建筑物沉降的回归分析

通过实例推导幂函数对建筑物沉降进行回归分析，并且得出较为精确的结果，同时也说明在选择回归函数的时候，还会受到很多条件影响。     

回归分析与灰色理论在建筑物沉降变形分析中的应用

沉降监测的数据分析与预计在工程建设中具有决策辅助作用。选择合理的预测模型进行沉降预计,可以提高预计精度。结合工程实例,对焦作市×××项目8号楼进行沉降监测,分别用回归分析模型和灰色理论GM(1,1)模型进行数据处理,从而说明两种模型各自适用的环境条件和优缺点,预计效果令人满意。     

回归分析在大桥沉降监测预测中的应用

在对多期桥梁沉降变形监测数据预处理、观测数据粗差剔除方法分析研究的基础上,提出了基于代表性沉降数据、采用回归分析法对大桥沉降形变进行预测的方法,并在东明黄河公路大桥沉降变形监测项目中得到了成功应用,结果验证了该方法的有效性,研究结论可为桥梁变形监测数据处理及预测预报提供借鉴。     

最大值函数对建筑物沉降的回归分析

为有效地对建筑物的沉降进行回归分析,本文以新城花园酒店为例,用幂级数和最大值函数两种回归函数对观测数据进行分析,通过显著性检验值和均方差的大小来推测建筑沉降的规律,并根据分析预测结果来评价两种回归函数的性能,理论分析和实验表明:采用最大值函数和幂级数对LS5的观测数据进行回归分析都能够达到建筑物沉降变形的精度要求,但最大值函数的性能优于幂级数。     

基于SPSS的高层建筑物沉降预计模型研究

沉降监测工作在高层建筑整个施工过程中很关键, 沉降预计也十分重要。为了更好地预计沉降值, 本文利用SPSS统计与分析软件建立多种曲线模型对实测值进行回归分析, 拟合出不同曲线并分析比较不同模型的精度, 得出最为符合实际情况的预计模型表达式, 并进一步进行分段优化。经分析研究与实例验证, 该模型在一定程度上具有很好的可靠度与可行性, 且分段拟合效果更佳。     

神经网络在建筑物沉降分析中的应用

建筑物沉降的诱因与沉降量之间有一个复杂的非线性相关性,应用回归法对这种复杂的相关性进行分析有较大的局限性.人工神经网络是由许多神经元组成的大规模非线性系统,具有较强的动态处理能力,能对简单的非线性函数进行多次复合,来实现一个复杂的非线性函数.神经网络这些特性满足建筑物沉降分析的需求.实例表明,应用神经网络BP算法可以对建筑物沉降原因进行更客观的分析,对沉降趋势预测效果也较好.     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

回归分析和BP神经网络在地表沉降监测中的应用

采用回归分析法中的曲线拟合法和BP神经网络模型的数值处理方法,对比两种方法在预测地表沉降中的有效性和准确性,对提高信息预测的精度和准确度有着积极的作用。     

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。     

基于模糊神经网络的土地合理储备量预测研究

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对建设用地量进行预测,并应用于重庆市2005~2010年的建设用地量预测。计算分析结果表明,该模型具有良好的可行性和合理性,可以为确定土地合理储备量提供依据。     

Use of Artificial Neural Networks for Selective Omission in Updating Road Networks

Abstract

An important problem faced by national mapping agencies is frequent map updates. An ideal solution is only updating the large-scale map with other smaller scale maps undergoing automatic updates. This process may involve a series of operators, among which selective omission has received much attention. This study focuses on selective omission in a road network, and the use of an artificial neural network (i.e. a back propagation neural network, BPNN). The use of another type of artificial neural network (i.e. a self-organizing map, SOM) is investigated as a comparison. The use of both neural networks for selective omission is tested on a real-life road network. The use of a BPNN for practical application road updating is also tested. The results of selective omission are evaluated by overall accuracy. It is found that (1) the use of a BPNN can adaptively determine which and how many roads are to be retained at a specific scale, with an overall accuracy above 80%; (2) it may be hard to determine which and how many roads should be retained at a specific scale using an SOM. Therefore, the BPNN is more effective for selective omission in road updating.     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

Heterogeneous Space–Time Artificial Neural Networks for Space–Time Series Prediction

Space–time series prediction plays a key role in the domain of geographic data mining and knowledge discovery. In general, the existing methods of space–time series prediction can be divided into two main categories: statistical machine learning methods. Comparatively, machine leaning methods have obvious advantages with respect to handling nonlinear problems. However, space–time dependence and the heterogeneity of space–time data are not well addressed by the existing machine learning methods. Because of this limitation, an accurate prediction of a space–time series is still a challenging problem. Therefore, in this study, both space–time dependence and heterogeneity are incorporated into the feedback artificial neural network, and heterogeneous space–time artificial neural networks (HSTANNs) are developed for space–time series prediction. First, to handle spatial heterogeneity, space–time series clustering is used to divide the study area into a set of homogeneous sub‐areas. Then, a space–time autocorrelation analysis is employed to explore the space–time dependence structure of the dataset. Finally, a HSTANN is established for each sub‐area. Further, HSTANNs are applied to predict the concentrations of fine particulate matter (PM_2.5) in Beijing–Tianjin–Hebei. The experimental results show that when compared with other methods, the accuracy of the forecasting results is considerably improved by using HSTANNs.     

基于灰色模型的建筑物沉降预测研究

由于非等间隔GM(1,1)灰色模型对于处理数据量小且表达信息不确定的数据具有优越性,因此广泛应用于石油天然气勘探、机床故障诊断、电力负荷预测、大坝安全监测等领域。基于非等间隔GM(1,1)灰色模型理论,利用某小区建筑物沉降观测的实测数据,建立了适合该小区建筑物沉降预测的灰色模型。通过对比理论预测值和实测值,并进行模型对应的精度评定分析,结果表明,此模型适用于该建筑物沉降预测分析的研究。