小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

小波神经网络模型在高层建筑物沉降预测中应用研究

为了提高变形监测数据预测的精度与可靠性,以及提高人工神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高层建筑物沉降监测数据处理中。综合小波分析与神经网络算法的优点,将良好的时频局域化特性和神经网络理论的自学习功能相结合,建立高层建筑物的小波神经网络变形预测分析模型。通过实验数据对比分析,小波神经网络用于高层建筑物沉降预测数据处理中可以得到更好的预测效果,预测稳定性及预测精度较高。     

地铁结构变形预测的时间序列模型方法研究

本文根据南京地铁某区间隧道结构变形监测数据,分别采用回归分析方法和时间序列分析方法建立模型,对地铁结构变形进行预测。计算结果表明在该工程实例中,回归分析模型的预测精度约为±0.20mm,时间序列模型的预测精度约为±0.08mm,较回归分析模型提高了60%,能够较好的对地铁结构变形进行预测。     

PSO优化的分数阶PFDGM(1,1)模型在变形监测预报中的应用

对于形变监测中大量的变形监测数据序列的拟合和预测精度不理想的情况,提出了采用粒子群算法优化的分数阶算子PFDGM(1,1)模型,以及对变形监测数据进行拟合和预测的新方法。通过粒子群算法选择拟合DGM(1,1)模型平均绝对百分误差最小的分数阶,构建了最优分数阶算子的PFDGM(1,1)模型。用典型的变形监测数据验证了优化模型,结果表明优化模型对变形监测数据的拟合和预测都达到了较高的精度。说明优化模型在变形监测数据的处理中具有可行性和有效性。     

时间序列分析在变形监测数据处理中的应用

在变形监测数据处理中,为了提高预报的精度,本文引入了时间序列分析中的ARMA模型,通过工程实例对该模型的预报精度进行检测,该工程实例的变形监测数据共有30期,本文通过前25期的数据进行ARMA建模并对第26至30期的变形量进行预报,与相应的实际观测值进行对比求差。对比结果显示预报结果良好,一步预报最大残差值在1mm,时间序列分析方法在变形监测数据处理领域应用效果良好。     

时序分析在危岩体监测数据处理中的应用

引入时间序列分析进行危岩体监测数据的处理，建立了危岩体变形的动态模型，取得了较好的拟会与预报精度。     

基于时间序列模型的变电站沉降预测分析

变形分析与预报是变形监测数据处理的重要内容,而时间序列模型是常用的变形分析与预报工具。本文采用时间序列模型对变电站沉降数据进行分析建模,从而掌握变电站的沉降规律,预测未来沉降趋势,对下一步施工具有实际指导意义。     

时序分析在危岩体监测数据处理中的应用

引入时间序列分析进行危岩体监测数据的处理，建立了危岩体变形的动态模型，取得了较好的拟合与预报精度。     

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

自动化全站仪在高层建筑基坑变形监测中的应用

在对自动全站仪自由设站观测原理进行认真分析研究后,利用TC 2003高精度自动全站仪的自由设站加极坐标法对某高层建筑的一级基坑进行变形监测,通过监测结果精度分析,验证了自动全站仪在建筑物变形监测中的快速、准确性.     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

GM-BP组合模型在地表变形预测中的应用

灰色模型具有计算简便、所需数据量小等优点,在短期预测中有较高的精度,但对波动性较大的数据预测效果较差;神经网络具有较强的非线性映射能力以及自学习能力,对波动性数据的处理效果良好。本文结合二者的优点,建立了GM-BP组合模型。实例证明,组合模型相对单一的模型在地表变形预测中具有明显的优势。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

灰时序GM-AR模型在建筑物沉降变形预测中的应用

本文以现代高层建筑沉降变形预测为主要研究目的,讨论了灰色GM(1,1)模型和时序AR模型的特点和适用范围,从预测的角度对灰色和时序模型进行了比较和分析;提出了基于优化灰参数α、u的GM(1,1)模型和AR组合模型预测高层建筑物沉降变形的新方法;将变形量分解成具有确定性的趋势项和具有不确定性的随机项,建立GM-AR模型分别对趋势项和随机项进行预测,应用结果表明,该方法使预测结果更为可靠、准确。     

反导自记忆模型的隧道沉降分析

针对传统的变形预测模型不能对隧道高度非线性监测数据的沉降趋势和波动特征进行准确的预测问题,该文提出了反导自记忆模型。该模型运用了自记忆原理,克服了传统的变形预测模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力,之后通过工程实例验证了反导自记忆模型的可行性。最后与灰色自记忆模型进行对比,得出反导自记忆模型能够对非线性和波动性监测数据做出更加准确的预测,提高了预测的精度。     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

新陈代谢灰色模型在地铁变形监测中的应用

针对地铁开挖造成的地表变形预测问题,本文探讨了灰色模型的基本原理与优势,并以某地铁实测变形数据为依据,采用新陈代谢GM(1,1)模型进行建模预测,以ARMA预测模型、GM(1,1)模型分别进行对比分析。通过精度评定,获取可靠结论。实验结果表明,3种预计模型均可获取一定精度的预测值,新陈代谢GM(1,1)模型的预测值准确可靠,精度高于另外两种模型,为同类变形预计的实际工程项目提供了依据,具有参考价值。     

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。