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。     

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-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。     

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。     

基于灰色预测和神经网络的城市建设用地量预测

采用灰色预测和NARMA(p，q)递归网络模型预测相结合的方法，对城市建设用地量预测值进行神经网络组合预测，在杭州市的实际应用中得到了较好的结果。     

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。     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络,研究大坝变形时间序列中非线性周期信号变化的内在规律,使用西龙池L022号站4000期数据作为训练样本,对后续80期数据进行预测,并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明,N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比,RBF预测效果更好,受数据精度影响较小,MAE、RMSE较BP分别最高可提高63%、57%,且本文方法计算效率高,泛化能力强。     

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。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

模拟退火算法的灰色模型钟差预报

针对传统灰色模型的预报效果不好的问题,文章提出了一种基于模拟退火算法的灰色模型钟差预报方法,采用模拟退火算法代替最小二乘求解灰色模型参数,较好地优化了灰色模型的参数估值。算例结果表明,基于模拟退火算法的灰色模型较传统的灰色模型,不仅能提高钟差的短期预报精度,而且对钟差的长期预报精度也有一定的改善。     

改进遗传算法在变形监测网平差中的应用

遗传算法在处理非线性最小二乘问题上具有其独到的优势。文中通过对遗传算法的理论性研究,对常规遗传算法的选择交叉策略、变异步长及变异率都作了改进。并将改进的遗传算法应用到变形监测网平差中,实现变形监测网在不同基准下的非线性平差计算,并通过实例证明其实用性及优越性。     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。     

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。