基于BP神经网络的矿区地表沉降预测研究

BP神经网络具有非常强的非线性映射能力,广泛应用于分类识别、逼近、回归、压缩等领域。本文基于BP神经网络的理论基础,利用某矿区地表沉降观测点1~10期的实测沉降数据资料,结合MATLAB建立针对矿区地表沉降的预测模型,并预测其11~15期的沉降情况。通过将预测值与实测值进行对比,分析预测模型精度,结果表明BP神经网络用于矿区地表的沉降研究是可行的。     

BP神经网络在高层建筑沉降预测中的应用

利用人工神经网络强大的非线性映射和学习能力,提出了基于BP人工神经网络的建筑物沉降预测方法。以某实例工程1期～12期的沉降观测数据为基础,建立网络模型,并对13期～l6期实际观测值与预测值进行了比较,结果比较理想,从而验证了改进的BP人工神经网络对建筑物的沉降预测是可行的,且具有广阔的工程应用价值。     

BP神经网络与多项式拟合在沉降监测中的应用

采用BP神经网络和多项式拟合的数据处理方法并在MATLAB中编程实现,将两种模型在隧道沉降监测与预报中的可行性和精确性进行对比,得出两种模型的适用范围和预报精度。     

广义回归神经网络在深基坑监测中的应用

本文详细介绍了广义回归神经网络的基本原理,给出了预测深基坑监测竖向位移的广义回归神经网络模型,通过工程实例验证了该模型的正确性。通过对实验结果的分析,说明广义回归神经网络在深基坑工程监测中预测的可行性和有效性。     

回归分析在大桥沉降监测预测中的应用

在对多期桥梁沉降变形监测数据预处理、观测数据粗差剔除方法分析研究的基础上,提出了基于代表性沉降数据、采用回归分析法对大桥沉降形变进行预测的方法,并在东明黄河公路大桥沉降变形监测项目中得到了成功应用,结果验证了该方法的有效性,研究结论可为桥梁变形监测数据处理及预测预报提供借鉴。     

遗传神经网络及其在地表安全测控中的应用

结合基本遗传算法和神经网络各自的优点,采用十进制编码,引入改进的自适应变异操作等算法,分析和建立了GA＆NN遗传神经网络。这种混合训练的效率和效果都比单独的遗传进化或BP训练方法有明显的改善。其通用性较好,具有较快的收敛性和较强的学习能力。模型应用于盾构隧洞开挖的变形预测,根据施工中所测的影响因素大小对地表沉降可作出适当的预测,效果优于回归等常规模型。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

回归分析在建筑物沉降变形分析中的应用

根据南宁市民生广场沉降的实测资料,文中运用回归分析法分别建立了差异沉降回归模型和累计沉降回归模型;并通过对沉降变形的预测、成果的分析和检验,证实了在建筑物沉降变形分析中应用回归分析的可行性.     

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。     

小波变换和BP神经网络模型在沉降变形监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

BP神经网络在GPS高程拟合中的应用探讨

神经网络算法一直是国内外研究的热点问题,BP神经网络算法具有更小的模型误差,因此,被广泛应用于GPS高程拟合。本文通过对同一区域GPS高程拟合的应用探究,运用迭代运算对比BP神经网络算法与多项式拟合数据,从而证明BP神经网络在一定条件下具有更高的精度,更加突出了BP神经网络算法的实用性。     

BP神经网络用于GPS高程转换的网络配置

BP神经网络的输入与输出关系是一个高度非线性映射关系,其用于GPS高程转换中有着较高的精度。但它存在不少问题,如网络的隐含层和隐含层节点个数选取尚无理论上的指导,参加学习的样本的质量如何影响仿真精度等。本文结合实例分析了上述问题,从而得出了BP神经网络用于GPS高程转换时网络配置问题的一些相关结论。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

BP神经网络和SVR用于GPS高程拟合研究分析

首先介绍BP神经网络和SVR方法(支持向量机回归)用于GPS高程拟合的原理,然后通过实际数据比较BP算法和SVR在GPS高程拟合中精度。结果表明,以结构风险最小化为准则的学习方法SVR,其泛化能力明显比BP神经网络好,在工程中具有一定的实际应用价值。     

Bayesian正则化BP神经网络拟合两类似大地水准面

为限制重力似大地水准面拟合到GPS/水准似大地水准面上的模型代表性误差,提出了Bayesian正则化BP神经网络拟合两类似大地水准面的新方法。利用某区域的重力似大地水准面模型和GPS/水准数据,将新方法与传统的曲面拟合法进行比较。在较大区域和两类似大地水准面差别不规则的情况下,Bayes-ian正则化BP神经网络有效地减少了拟合模型的代表性误差,而且通过Bayesian正则化算法对网络权值进行限制,抑制了过拟合现象。新方法提高了两面拟合结果的内、外符合精度。     

BP神经网络融合预报在深基坑监测中的应用

针对多传感器采集的多种变形信息,提出了利用BP人工神经网络的方法进行数据融合处理,以达到对变形体变形状况更加准确预报的目的。通过BP神经网络训练精确得到各种观测值权重,避免了人为主观因素的影响。利用该方法对多传感器数据进行横向预报可以实现对暂时损坏的传感器数据准确预测,保证数据的连续性。也可以采用该方法进行多传感器数据纵向融合预报。在广州某小区基坑综合监测项目中,预报结果与实际变形情况相吻合,取得了良好的效果。