灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

果蝇优化算法优化灰色神经网络的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,文章提出了一种基于果蝇优化算法(FOA)优化灰色神经网络的卫星钟差预报方法.利用FOA较强的全局寻优能力对灰色参数进行迭代动态微调,改善随机初始化所导致网络进化易陷入局部最优的问题,以提高灰色神经网络的预报精度;选取IGS产品中典型的卫星钟差数据,分别采用FOA优化灰色神经网络模型、神经网络模型、灰色系统模型和灰色神经网络模型进行短期钟差预报.仿真结果表明:FOA优化灰色神经网络模型的预报精度优于其他三种模型,性能满足卫星短期高精度钟差预报的要求.     

基于改进的动态灰色模型在变形监测中的应用研究

动态灰色模型丰富和完善了静态GM(1,1)模型,它虽然有效地降低了建模时原始序列长度、原点误差的影响,且提高了数据预测的精度,但是传统的动态灰色模型为保持数据维度的不变性,必须对旧有信息进行强制舍弃,因此会导致建模数据量受到限制,预测结果容易失真,且对维度以外的信息不加筛选的舍弃致使致有用信息大量流失。本文对传统动态灰色模型做出改进,并将改进后的模型用于变形监测分析与预报中,且与传统的GM(1,1)模型和动态灰色模型的预测精度做对比,最终验证改进后模型的有效性。     

灰色模型在深基坑变形监测中的应用研究

随着城市建设的快速发展,对地下空间的利用需求急剧增长,引发的深基坑工程事故也随之增加。因此,对施工过程进行全方位的监测和变形预测分析,及时、准确地反馈基坑变形动态,对工程安全起着至关重要的作用。本文叙述了变形监测灰色GM模型预测方法,并以重庆越洋广场监测项目为例,分析基于小波变换前后的预测效果和精度水平。结果表明,灰色模型能够达到较好的应用效果。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

基于卡尔曼滤波的动态灰色理论模型研究

灰色理论模型是采用较少的数据对目标进行预测,但在建模过程中容易受到随机扰动的影响。卡尔曼滤波可以很好地剔除建模数据的随机干扰噪声,和灰色理论模型结合在一起进行数据的预测,可以提高预测的精度,更好地预测目标的变形趋势。传统的灰色理论模型GM(1,1)在预测过程中没有考虑未来因素对系统的影响,做长期预测,精度会降低。文中研究在预测过程中引入新的信息,建立等维灰数递补的动态灰色理论模型,结合工程实例,与传统的静态模型作对比,动态模型预测的结果更加优化,精度更高。     

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-灰色组合模型及其在变形监测中的应用

建筑物变形监测数据呈现出典型的时变、非平稳和小样本特征,导致传统单一模型难以获得满意的预测精度。针对该问题,本文提出将卡尔曼滤波与灰色模型结合构建一种组合预测模型。首先利用卡尔曼滤波对原始监测数据进行平滑滤波,对数据中所含随机干扰误差进行动态抑制;之后利用灰色模型拟合数据中隐含的变形趋势信息,从而在小样本情况下获得较长时间的预测能力。基于实际建筑物变形数据开展试验,结果表明：与传统小波分析、灰色模型相比,该方法的预测精度明显提升,并且在小样本情况下具有更高的稳健性。