基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

奇异谱分析在地铁沉降预测中的应用

地铁沉降受诸多因素干扰,其监测数据往往表现出非平稳、非线性特征。因此,首先利用奇异谱分析(SSA)方法提取监测数据的趋势项和周期成分,以削弱噪声、提高数据信噪比;然后利用BP神经网络分别对趋势序列与周期序列进行预测并重构,进而得到预测值。实验结果表明,相较于BP神经网络模型,SSA_BP神经网络模型的整体预测精度更高、最大预测长度更优。     

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。     

SSA-Elman神经网络模型在建筑物沉降预测中的应用

为了提高建筑物沉降变形预测精度,最大限度地减少监测数据中非变形噪声分量对预测结果的影响,本文在Elman神经网络模型的基础上引入奇异谱分析方法,构建新的SSA-Elman神经网络模型。首先利用SSA方法提取沉降监测数据中的趋势分量与周期分量,剔除噪声分量,提高监测数据信噪比;其次通过Elman神经网络模型分别对趋势分量、周期分量进行预测,得到对应分量预测结果;最后重构趋势分量与周期分量预测结果得到最终预测结果。通过实测建筑物沉降数据分别对Elman神经网络模型与SSA-Elman神经网络模型进行建模与预测,结果表明,SSA-Elman神经网络模型的预测精度更高,更适应长周期预测。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容,贯穿于项目的设计、施工和运行,对监测的沉降数据进行处理,并预测沉降量,提前对工程作出安全预警,有很重要的实际意义。本文基于GM(1,1)灰色模型、小波分析和神经网络结合的相关理论,借助Matlab软件编程,建立了灰色-小波神经网络变形预测网络模型。结合工程实例,将建立的变形预测网络模型应用于累积沉降量观测数据,结果表明组合模型具有很稳定的预测效果,比单独的GM(1,1)灰色模型预测准确度高,且训练样本越多,预测越符合实际情况。     

一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

重标极差分析法在地铁变形监测中的应用

为了科学、准确、及时地对地铁隧道结构进行监测分析,该文将重标极差分析法引入到地铁的变形监测中,并以南京地铁为例,对长时期垂直位移时序进行了R/S分析,研究地铁沉降监测点的变化趋势,并将R/S分析的预测结果与实际监测数据进行了对比,预测结果与实测数据具有一致性。结果表明:描述和刻画复杂非线性时序的R/S分析方法,能有效地对地铁变形时间序列数据进行预测分析。地铁变形时间序列数据的Hurst指数,不仅在时间上反映不同变形的趋势性及其强度,而且在空间上反映地铁不同部位的变形趋势特征。R/S分析方法适合变形监测项目的预报分析,在变形监测中具有一定的应用前景。     

结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

地铁轨道结构沉降预测的神经网络模型

地铁轨道结构的变形是影响地铁运营安全的重要因素之一,对其变形预测模型展开研究具有重要意义。本文以南京地铁2号线某区段的地铁轨道结构沉降监测实测数据为基础,研究分析了几种不同的沉降预测模型,并对预测效果进行了对比分析。论文首先介绍了时间序列模型之一,自回归模型AR(p);其次,介绍了神经网络BP模型,且确定地铁轨道结构沉降预测的BP模型结构为4×P×1。经工程实例分析,与时间序列模型相比,神经网络BP模型的预测精度能提高约50%,但该模型的缺点是模拟结果不稳定。最后,作者提出了时间序列与BP算法的融合模型,并详细介绍了该模型的具体结构和计算步骤。工程实例结果表明,融合模型的预测精度更高,与时间序列模型相比,精度能提高约60%,且融合模型的稳定性比常规BP模型要好。