灰色动态预测方法及其在变形预测中的应用

在分析比较了ＧＭ（１，１）预测模型的不足之后，提出一种实时引入新信息的等维新息和等维灰数递补组合动态预测方法。首先同常规预测法作了比较，然后进行了三峡链子崖危岩体变形发愤主有效性验证。     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题，对大坝水平位移值应用灰色预测作了较好的预测，对ＧＭ模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度，从而表明灰色预测对大坝变形分析是一种适用的数据处理方法。     

灰色预测用于大坝水平变形预测的研究

针对大坝变形数据处理中使用少数据观测值进行预测的问题,对大坝水平位移值应用灰色预测作了较好的预测,对GM模型的初始值解算作了全新的研究。经对大量不同的实例数据计算取得了较好的拟合和预测精度,从而表明灰色预测对大坝变形分析是一种适用的数据处理方法。     

灰色二阶预测模型在变形监测中的应用

本文根据灰色理论中的数列预测理论,针对建筑物的沉降,建立了灰色二阶预测模型GM(2,1),给出GM(2,1)模型精确求解方法,并以某建筑物沉降数据为例验证了该模型的精度比GM(1,1)模型精度高,且简单易行,因而具有一定的实用价值。     

小浪底水利枢纽大坝变形的灰色预测模型

在分析大坝变形预测方法的基础上,首次运用灰色理论和方法通过模型的建立、模型精度检验过程得出用于预测大坝变形的GM(1,1)模型,并用该模型对小浪底水利枢纽大坝坝顶视准线部分监测点的变形量进行了预测,预测取得比较满意的结果,证明此模型在实际工程中应用是可行的,同时为大坝安全运行提供了重要的依据。     

灰色动态组合模型及其在大坝变形预测中的应用

提出了先对序列进行平滑处理,再建立灰色动态组合模型,分析了实测数据的计算结果,实现了较高的预测精度。     

灰色-马尔科夫模型在大坝内部变形预测中的应用

传统的灰色-马尔科夫模型一般都是等时距的。针对样本不能满足等时距的需要,通过一定方法将样本等时距化,用多变量灰色模型MGM(1,n)与马尔科夫转移矩阵相结合对等时距样本进行建模,建立非等时距的灰色-马尔科夫模型。文中结合某大坝内部水平位移实测数据,用此模型进行建模。结果表明,灰色-马尔科夫模型不仅比灰色模型的拟合精度高,而且提高了预测精度。     

基于小波滤波的神经网络变形预测

运用小波滤波的的优越性,消除数据噪声,使数据更加的接近真实的数据和更具规律性,有利于我们对数据发展趋势的预测。对消噪后的数据,利用BP神经网络强大的学习能力建立预测网络。在建立网络时,输入样本为监测k时段序列k和第k-1时段变形量与再k-2时段变形量之差组成的二维向量,目标样本为小波滤波后的变形量。并与GM（1,1）。模型和回归模型进行了对比。     

基于TLS的多变量灰色模型在大坝变形预报中的应用

传统多变量灰色模型MGM(1,n)的背景值误差会使得求解的灰色参数精度降低。总体最小二乘是一种可以同时顾及到观测误差与模型系数矩阵误差的数学方法。基于此,引入TLS对传统MGM(1,n)模型的灰色参数进行修正。通过对某大坝变形数据试算,验证表明,该方法能够有效地提高变形预报精度。     

神经网络专家系统在大坝变形预测中的应用

探讨了将人工神经网络专家系统用于大坝变形预测的方法，给出了系统功能结构框图，并对各模块的功能进行了分析。     

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。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

卡尔曼滤波算法的灰色理论模型在变形监测中的应用

本文针对灰色理论模型在建模过程中受到随机扰动影响这一问题,提出了利用卡尔曼滤波处理建模数据的方法.经过实例检验,证明基于滤波算法的灰色理论模型在一定程度上可以提高预测值的精度,更好地反映了观测目标的变形趋势,在变形监测中具有一定的优势.     

灰色预测在建筑物沉降变形分析中的应用

本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。     

基于灰色聚类法和灰色关联分析的大坝安全评价

大坝安全评价是一项复杂的综合评价,针对大坝安全评价中存在信息不完全确定的特点,将灰色系统理论中的灰色聚类法和灰色关联分析法应用到大坝安全评价中。以大坝基础工程部位的安全状况作为评价对象,建立评价指标和评价标准体系。通过实例计算与分析表明,两种方法在安全评价结果方面表现出了良好的一致性,且评价结果与实际情况相符,将两种方法用于大坝安全评价是可行和有效的。     

一种新的SAR影像融合滤波方法

为解决有效地去除斑点噪声和保留图像边缘两者矛盾的问题,首先通过中值滤波得到较好的平滑SAR图像,然后利用AMSS方程得到较好的保留图像边缘信息的SAR图像,最后将所得的两幅图像进行融合,并对融合后的图像进行定量和定性分析。仿真实验表明,无论是定性分析,还是定量分析都证明融合后的图像在很好地去除噪声的同时,有效地保留了图像的地物分界处及边缘细节信息。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

基于ARIMA模型的边坡变形分析与预测

详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程,建立自回归滑动平均求和(ARIMA)模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示:利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性,并能取得较好的效果,研究成果可为工程施工和防灾减灾提供技术参考。     

利用PCA-SVM的大坝变形预测研究

主成分分析(PCA)能够有效地提取数据的特征信息,消除变量间的共线性,而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显著的优点。本文将主成分分析应用到大坝变形影响因子的优化中,解决了由影响因子内部相关性而引入大量因子的问题,降低了输入维数,简化了输入结构。将简化后的数据作为SVM的输入因子,减少了SVM学习的时间,提高了拟合效率。试验结果表明该方法具有较高的预测精度和较强的泛化能力。