隧道变形预测的BP神经网络模型

本文根据神经网络的基本原理，利用实测数据建立了用于大断面隧道收敛变形预测的BP神经网络模型。基于神经网络的预测模型具有预测精度高，使用方便灵活，适合于复杂系统的特点，是解决隧道变形预测问题的一种崭新途径。     

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。     

改进型果蝇算法优化的灰色神经网络变形预测

针对灰色神经网络权值阈值的不确定性,该文提出改进型果蝇优化算法优化的灰色神经网络预测模型。通过添加逃脱系数修改适应度函数,同时引入三维空间搜索的概念扩大了果蝇搜索范围对基本果蝇优化算法进行改进,避免算法陷入早熟收敛的陷阱,加快收敛速度,有效地提高了算法的优化性能。利用改进型果蝇优化算法优化灰色神经网络参数建立预测模型。选用实际工程沉降数据仿真模拟,验证该模型的预测性能,并将预测结果与果蝇优化算法灰色神经网络、粒子群优化灰色神经网络和灰色神经网络进行比较。结果表明,改进型果蝇优化算法优化的灰色神经网络预测模型预测精度更高,拟合程度更好。     

基于遗传算法的灰色Elman神经网络在深基坑变形中的应用

为保障基坑施工安全,快速发现沉降问题,本文提出一种基于遗传算法的灰色Elman神经网络,利用沉降监测数据预测围护结构沉降.通过计算发现该模型迭代收敛速度较快,25次即能达到0.001的均方误差,可以在较短时间得到预测结果.与其他3种基础模型对比,发现该模型精度较高,在SSE、MRE、MSE 3种精度评价中均处于较高水平...     

遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

基于灰色神经网络组合模型的矿区地表变形预测方法研究

矿山开采区地表变形是资源开采引起的重要现象.监测、分析其内在规律,建立预测模型预计开采区地表沉降,对矿山安全生产和企业经济可持续发展具有重要意义.针对地表沉降变形预测,分别建立了BP人工神经网络模型、灰度预测模型、时间序列模型以及灰色神经网络组合模型,探讨四种模型适用场景及模型局限性,结合矿区地表一年的实际监测值进行模...     

改进灰色人工神经网络模型的超高层建筑变形预测

针对灰色人工神经网络模型初始化权值和阈值的随机性导致易产生误差积累和过拟合的缺陷,该文利用遗传算法的全局优化能力训练灰色人工神经网络模型的权值和阈值,构建了基于遗传算法的灰色人工神经网络超高层建筑物变形预测模型。结合长沙北辰新河A1超高层建筑变形监测实例,用该文所提模型与灰色人工神经网络模型分别进行变形数据的处理分析和预测。实验结果表明,该文提出的模型具有更好的预测精度,预测趋势也更加逼近实际测量结果。     

一种优化高斯过程回归的隧道围岩变形预测方法

为准确掌握隧道围岩变形的发展趋势,实现对隧道施工的准确指导,以及规避高斯过程回归(GPR)采用共轭梯度法求取超参数时存在的缺陷,该文提出利用一种改进果蝇优化算法(MFOA)优化GPR,构建MFOA-GPR预测模型.首先,对标准果蝇优化算法(FOA)的味道浓度函数进行修正,拓展求解的范围;同时引入了一个搜索半径动态调整参数,使得算法在迭代寻优过程中动态调节全局搜索能力和局部开发能力;再将改进的果蝇算法直接应用于GPR的超参数寻优.通过两个实际隧道工程算例进行分析和检验,结果表明,MFOA-GPR方法的预测精度最高,多个精度评价指标均优于GPR、FOA-GPR模型,验证了该方法的有效性.     

灰色神经网络模型在建筑物变形预报中的应用

介绍灰色神经网络模型的建模原理和方法,并采用该模型对实际的监测数据进行处理和分析。结果表明,灰色神经网络模型能够在小样本、贫信息和波动数据序列等情况下对变形监测数据做出比较准确的模拟和预报,从而能够为变形监测的数据处理提供一种较好的方法,能够满足实际应用的需求。     

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。     

Elman神经网络在变形预报中的应用研究

神经网络作为一门快速发展起来的非线性科学,在处理一些背景不清楚而且极其复杂信息的时候,就会显示出其独特的优越性。本文通过Elman神经网络应用到滑坡变形监测中,建立预报模型,并以Matlab神经网络工具箱进行程序设计,最后运用到具体实例中,通过模型的预报精度,来验证Elman神经网络模型在滑坡监测预报中的可行性。     

神经网络融合模型在大坝安全监控中的应用

为了提高大坝安全监控模型的预测精度并检验模型的泛化能力,研究大坝安全监控的统计模型、BP神经网络模型及遗传神经网络模型,并提出基于这两种神经网络的融合模型,结合某拱坝长期的变形观测数据,对上述几种模型进行试算。分析结果表明,所建立的融合模型与其他模型相比具有较高的预测精度,且泛化能力较强,具有良好的适用性。     

转换GPS高程的遗传神经网络方法

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息。把遗传算法和神经网络智能技术相结合,利用神经网络作为模型,以遗传算法作为权值进化算法进行GPS高程转换,提出了该算法的基本思想和算法实现过程。并通过实例进行计算,结果表明该算法用于GPS高程转换具有较好的精度,具有一定的实用价值。     

转换GPS高程的遗传神经网络方法

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息.把遗传算法和神经网络智能技术相结合,利用神经网络作为模型,以遗传算法作为权值进化算法进行GPS高程转换,提出了该算法的基本思想和算法实现过程.并通过实例进行计算,结果表明该算法用于GPS高程转换具有较好的精度,具有一定的实用价值.     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

一种基于灰色神经网络的卫星钟差预报策略

针对钟差预报中灰色神经网络模型种类较多、性质和适用范围尚未具体分析的问题,根据其预报特点,该文提出了一种基于灰色神经网络的自适应钟差预报策略。基于MGEX精密钟差数据进行预报实验,采用不同建模钟差数据量进行相同时间段钟差预报,对3种不同的灰色神经网络模型钟差预报效果进行对比,总结了几种预报模型的性质与适用范围。该文提出的自适应预报策略较好地平衡了几种灰色神经网络模型的特点,提升了钟差预报效果。基于该文策略的实验结果表明:所提策略能够有效利用不同灰色神经网络模型特点,提高钟差预报精度。在1d预报中,该策略较本文提及的其他可靠方法精度提升1%~3%;6h预报中,该策略较较灰色模型等精度提高0.02~0.09ns。     

一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC）,利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值,初步建立GA-BP神经网络预测模型,结合马尔科夫链的无后效性修正模型预测值,形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据,分别与BP神经网络、GA-BP神经网络预测模型进行对比,结果表明,该预测模型精度最高。     

基于遗传算法的RBF神经网络在GPS高程拟合中的应用

本文针对RBF神经网络中隐含层径向基中心值的确定,利用遗传算法对其进行优化,并应用于高程拟合的实验研究中。通过将遗传算法优化的RBF神经网络与K-均值优化的RBF神经网络及标准RBF神经网络进行高程拟合的误差对比分析表明:遗传算法优化的RBF神经网络提高了拟合的稳定度,改善了精度。     

基于BP神经网络与变形监测成果的隧道安全状态评估

隧道变形监测周期长、内容多且影响因素复杂,因此需要对隧道监测方法进行不断的改进,对隧道的健康状态进行实时评估。研究变形监测范畴内基于BP神经网络的隧道安全状态评估模型,组建集卫星定位技术、测量机器人、传感器技术、移动网络通信等为一体的现代化物联网模式下的隧道变形监测系统,分析多源数据的变形特征,结合专家经验知识,实现基于BP神经网络与变形监测成果下的隧道安全状态评估,为隧道变形监测及安全状态评估提供一种新颖而有效的方法。     

遗传神经网络在GPS高程转换中的应用研究

针对神经网络在GPS高程转换过程中易陷入局部极小解等问题,提出了将遗传算法和神经网络相结合的方法,并讨论了遗传神经网络模型结构及算法,通过实例分析,验证了该方法不仅能克服神经网络收敛速度慢、易陷入局部极小解等缺陷,且具有较高的精度和计算效率.