遗传小波神经网络在高铁沉降预测中的应用

利用遗传算法的全局寻优特性,与小波神经网络相结合,建立遗传小波神经网络模型,并将其运用于高铁沉降预测,通过与BP神经网络、小波神经网络在高铁沉降预测的实验对比分析,结果表明遗传小波神经网络在高铁沉降预测中的稳定性更好、精度更高。     

变形预测的小波神经网络模型改进

针对传统小波神经网络利用随机值作为网络初始参数时,存在网络收敛慢甚至不收敛的问题,该文提出了对网络初始参数进行自相关修正的优化方法,来提高小波神经网络的收敛速度。同时,该文利用了小波函数的降噪特性对原始数据进行预处理,以提高模型的预测精度。将这种改进的小波神经网络模型用于某地铁监测保卫区隧道内的水平位移预测。实验结果表明,改进后的小波神经网络收敛所需迭代次数显著减少,模型的预测精度也更加高。     

基于遗传算法的小波神经网络模型预测大坝变形

为了提高大坝变形的预测精度,提出一种基于遗传算法的小波神经网络模型。首先通过对BP神经网络隐含层神经元的替换,弥补了网络易收敛于局部极小点的缺陷,增强了函数逼近能力,进而建立了小波神经网络大坝预测模型;再利用该模型对大坝变形训练集进行学习,并运用遗传算法选取全局最优参数。该方法充分利用了小波神经网络强大的非线性预测能力和遗传算法的全局优化搜索功能,弥补了BP神经网络存在的理论缺点。将其与小波神经网络、BP神经网络进行比较,实验结果表明该方法具有更优的局部预测值、更高的全局预测精度,适用于复杂的大坝变形预测。     

基于遗传算法的小波神经网络模型及其在地面沉降监控中的应用

介绍小波神经网络的基本原理,分析小波神经网络的特点和存在的问题,采用遗传算法对小波网络的学习算法进行改进,建立基于遗传算法的小波神经网络模型.对由于地下水位变化而引起的地面沉降进行分析和研究,并利用地面沉降的实测资料建立基于遗传算法的小波神经网络模型,该模型与BP小波神经网络模型比较,具有拟合精度高和预测效果好等优点.     

基于小波神经网络的某边坡预测研究

边坡地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理、有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一.文中将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行预测.结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强.     

遗传小波神经网络在变形预报中的应用

目前常用的变形预报方法有BP人工神经网络和小波神经网络,但是都存在收敛速度慢且易受局部极值的影响.针对这两种算法的不足,本文利用遗传算法的全局寻优特性,将遗传算法与小波神经网络结合,形成遗传小波神经网,将其应用于变形预报,取得了良好的效果;并将算法的预报精度、稳定性、有效区间及运算时间作为评价算法优劣的4个标准,对BP神经网络、小波神经网络及遗传小波神经网络进行对比,结果表明遗传小波神经网络具有明显的优势.     

基于小波神经网络的GPS可降水量预测研究

针对传统的BP神经网络存在的不足及局限性,文章提出了利用小波分析和神经网络相结合的方法应用于GPS可降水量预测中。小波神经网络是将小波基函数来替代传统神经网络中的激活函数,它将小波分析和神经网络有机融合在了一起,同时具备小波分析和神经网络的良好特性。通过相同样本数据训练和学习以及对预测结果的对比分析,表明小波神经网络在可降水量预测中比BP神经网络具有更好的容错能力和逼近能力,且其收敛速度快,预测精度高。     

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。     

利用遗传小波神经网络预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报问题首先通过遗传算法优化适合非线性时间序列预报的小波神经网络的网络参数得到预报性能更好的遗传小波神经网络gwnn 然后根据钟差数据的特点对钟差进行预处理建立了一种能够高精度近实时预报钟差的gwnn钟差预报算法 使用gps卫星钟差进行一天内的预报实验证明了本方法的有效性 结果表明通过本方法得到的预报钟差较igs超快预报钟差在精度上有了较大的改善     

基于小波变换的逐步线性回归分析预测大坝位移

介绍了小波变换及逐步线性回归分析的方法,并将两种方法融合在一起分析预测大坝位移,与传统的逐步线性回归分析相比较,该方法能提高大坝位移的预测精度.     

基于小波变换和神经网络的卫星钟差预报分析

目前IGS提供的实时钟差精度不够,事后精密钟差也有13d的延迟,有必要对钟差预报进行研究。文中利用小波神经网络模型进行钟差预报,首先利用小波对原始钟差序列进行分解、降噪,然后利用神经网络进行建模并预报,将得到的结果同灰色模型和二次多项式模型的结果进行对比分析,得出小波神经网络模型可以更好地进行钟差预报的结论。     

卫星钟差单差的小波神网络预报

针对现有卫星钟差预报模型对非平稳过程预报的局限性,提出基于卫星钟差一次差值的小波神经网络预报模型。对在轨卫星钟差求取一次差值的基础上,运用小波神经网络模型预报GPS卫星钟差,同时与GM(1,1)模型预报的结果进行比较。得出BlockΠA Cs短期预报的精度能达到0.690ns,14d预报的精度最差时依然优于1ns;其余稳定性良好的卫星钟,一天预报的结果均要优于0.207ns,预报14d卫星钟差的平均精度优于0.183ns,部分卫星钟差预报精度可以达到0.050ns,预报得到的结果可以达到GPS对实时精密单点定位的要求。     

小波神经网络在桥梁变形预测中的应用

针对BP网络容易导致局部极小、不收敛的问题,提出了用小波神经网络拟合并预测大桥位移与其原因之间非线性关系的方法。提出了小波神经网络隐含层节点数的确定方法,该法可以确定网络隐含层最优节点数;小波神经网络具有良好的局部特性、较强的学习能力和任意函数逼近能力,实现了大桥变形的精确拟合及预测。实测结果表明:所提算法经过训练不仅可以准确拟合大桥位移曲线,而且预测精度较高,各项指标均优于BP网络。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

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。     

区域地壳水平运动模型的Euler-GABP神经网络构建

针对传统的欧拉(Euler)矢量法在具有复杂构造运动的区域地区内构建GPS速度场模型精度低的问题,该文提出了欧拉矢量法结合遗传算法(GA)和BP神经网络方法来构建区域GPS速度场。以云南区域1999—2015年间的GPS速度场为实验数据,分别使用欧拉矢量法、遗传神经网络(GABP)、欧拉矢量结合神经网络(Euler-BP)和欧拉矢量的遗传神经网络(Euler-GABP)法构建区域速度场模型。实验结果表明,相比其他3种方法,该文提出的Euler-GABP方法在构建区域GPS速度场模型是可行和有效的且精度高。     

基于最小二乘配置法的BP神经网络GPS高呈异常拟合方法研究

传统的BP神经网络在GPS高程异常拟合应用有其一定的局限性,特别是在对于外推高程异常值方面,传统的BP神经网络的不足表现得尤为明显.针对高程异常的特性,既有趋势性也有随机性,结合BP神经网络的优点,提出一种改进型的BP神经网络高程异常拟合方法,利用最小二乘配置法综合考虑高程异常的趋势性和随机性的特点,采用BP神经网络方...     

神经网络在卫星钟差短期预报中的应用研究

本文针对卫星钟差的特点,提出了基于神经网络的卫星钟差短期预报模型,给出了基于径向基函数(RBF)网络进行卫星钟差预测的基本思想、预测模型和实施步骤,并对比分析了神经网络模型与灰色系统理论模型的区别.为验证本文提出的预报模型的可行性和有效性,利用GPS卫星钟差数据进行钟差预报精度分析,并与灰色系统模型进行对比分析.仿真结...