混沌时间序列相空间重构及特性识别

相空间重构是混沌时间序列分析及预测的前提。针对地铁建设中地表沉降变形监测的弱信号数据处理问题,该文引入了混沌理论,通过采用自相关函数法和C-C法对比求得时间延迟τ,运用G-P方法和Cao方法求取嵌入维数m,从而对时间序列进行相空间重构;并通过求取最大Lvyapunov指数对时间序列进行混沌特性的判定识别。研究结论表明,系统的混沌特性,在研究地铁变形监测、运用混沌理论建模预测以及变形监测数据处理方面是值得重视的。     

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。     

混沌理论在桥梁变形监测中的应用

针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接...     

混沌理论支持下的桥梁变形监测研究

针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。     

基于混沌时间序列的桥墩沉降预测

跨海大桥因船体撞击、移动车辆荷载、河水冲刷等因素的作用,桥墩的沉降变形表现为非线性特征。因此,首先对桥墩的沉降时间序列求取延迟时间τ和嵌入维数m,并采用最大Lyapunov指数证明该时间序列具有混沌特性;然后根据求取的参数建立加权零阶局域预测模型和加权一阶局域预测模型分别对沉降时间序列进行预测。算例结果表明,加权一阶局域预测模型具有较高的预测精度,且混沌局域预测法不适合做长期预测,但可做短期预测。     

灰色-加权一阶局域预测模型在矿区沉降量变形预测中的应用

近年来,非线性时间序列的混沌预测理论被运用到诸多领域,多用于进行预测、算法、统筹规划。本文将混沌预测理论运用到矿区沉降变形预测的工作中,基于矿区地表沉降观测值,组成沉降量变化的时间序列,用以预测以后的沉降值。研究了对沉降观测数据的去噪、定性、后期沉降预测工作,丰富了混沌预测模型的实际应用,提出了数据处理及混沌预测理论改进方法的实现过程。     

混沌时间序列在建筑物沉降预测中的应用研究

应用了混沌时间序列预测方法,建立了沉降预测的非线性混沌模型,实现了长安大学B点高层住宅楼实际沉降监测数据进行预测计算.     

基于混沌理论的煤矿井筒地表沉降分析及预测

通过对主井及其附近两个稳定点进行了变形监测,利用混沌理论对两个时间序列进行了混沌特征的分析,发现两个时间序列的关联维数分别为1.3282和1.4587,嵌入维数都为3,最大Lyapunov指数分别为λ=0.0833和λ=0.0745。说明这两个监测点的时间序列具有混沌的特征,存在混沌现象。采用混沌一阶局域法进行预测时,采用不同时间间隔得到预测结果有较大差异。其中,采用最小时间间隔得到预测结果最差,而采用平均时间间隔得到的预报精度等级和预报准确率均为最优。     

混沌理论在变形分析与预报中的应用

由于受到各种环境因素及仪器本身的影响,变形监测被看作为一个复杂系统。它本身的各种参变量是不确定的、随机的,表现为复杂的非线性行为。运用现代混沌理论,对变形监测时间序列进行探索性研究,把混沌时间序列理论引入到变形分析研究中,对该理论的建立及预测方法进行了讨论。通过实例表明混沌时间序列预测方法对变形数据序列的预测具有比较好的精度。     

基于周相似性的短时交通流预测方法研究

根据交通流量具有周相似的特性,利用实地采集获取的交通流量数据,选取每周周一至周五的数据,构造时间序列。本文分别用了3种不同的方法(BP神经网络、Elman神经网络、RBF神经网络)来预测短时交通流量,并通过不同的评价指标对上述3种方法的预测效果进行了评价。实例分析表明,对于这种时间序列的预测,Elman神经网络预测效果优于其他2种方法,更适合于短时交通流预测。     

基于分形插值的桥梁桥墩沉降预测

基于某跨海大桥桥墩的沉降资料,使用重标极差(R/S)分析方法说明桥墩沉降的非线性下隐藏的持续性特征,并计算其分形维数,证明该沉降时间序列具有分形特性。由此通过历史数据建立迭代函数系统,经分形插值方法求取吸引子,并在吸引子基础上进行延拓,建立基于分形插值的预测模型,并将此算法应用于桥墩沉降数据的预测中。算例结果表明,分形插值理论具有较高的预测精度,可满足实际应用要求。     

智能优化LSSVM算法的混沌时间序列边坡变形预测模型

边坡变形序列存在一定混沌特征,本文将混沌分析方法应用到边坡变形预测中。为解决标准LSSVM模型中惩罚参数和核函数参数因任意给定或经验给定带来的非最优问题,将遗传算法和粒子群算法引入LSSVM模型,根据变形序列建立GA-LSSVM和PSO-LSSVM预测模型,与标准LSSVM混沌预测模型和基于神经网络的混沌预测模型进行比较。结果表明,GA-LSSVM和PSO-LSSVM模型预测中误差分别为0.73 mm和0.77 mm,LSSVM,BP,RBF三种模型中误差分别为0.90 mm,0.80 mm和0.75 mm;因此,本文提出的预测模型用于边坡变形预测比其他几种模型具有更高的精度。     

Volterra级数混沌自适应模型在变形分析中的应用

针对变形监测数据混沌序列的特点,提出一种基于Volterra级数的混沌时间序列变形预测模型。经过相空间重构,确定合适的嵌入维数和延迟时间,输入Volterra级数自适应预测模型,然后得到变形量的预测值。将预测值与实际值及其他预测模型的预测结果进行比较,发现基于Volterra级数的混沌时间序列预测模型精度较高,在变形预测上是可行的。     

利用夹角余弦和聚类分析的电离层TEC混沌预测

利用120°E、45°N上空的2008年年积日101~150d时间段内共600个电离层格网TEC数据,分析了该点上空电离层TEC参数的混沌特性,发现其关联维数为2.263 2,嵌入维数m=5,最大Lyapunov指数为0.083 3,该TEC时间序列具有混沌的特征,存在混沌现象。利用加权一阶局域法对TEC时间序列进行预测时,提出了利用夹角余弦和聚类分析方法对相似相点进行选择的方法,结果表明,在5维相空间中,该方法除在第4分向量略不及欧氏距离和夹角余弦方法外,其余4个分向量均优于后两种方法。利用该方法选择的相似相点进行一阶局域预测时,得到的标准差STD(0.618TECU)和RMS(0.623TECU)均小于欧氏距离和夹角余弦得到的STD和RMS,说明该方法可以准确地搜索到与基准点相关性更强的相似相点,预测精度更高。     

神经网络与灰色理论联合模型在地铁沉降预测中的应用

地铁路基的过量沉降或不均匀沉降将导致线路运营条件的恶化,乘客舒适度降低,甚至危及行车安全。因此对路基工程后期的沉降控制和预测随着运营速度的提高而愈加急迫。根据某段地铁线路路基的实际沉降观测数据,将神经网络与灰色系统进行串联型结合:即先利用BP神经网络插值方法将不等时距的实测沉降数据序列转化为等时距数据序列,进而利用转化的等时距沉降序列依据灰色GM(1,1)模型对荷载稳定时间内的路基沉降进行预测。实验结果表明,该方法具有较高预测精度。     

马尔科夫链改进的ARIMA-BP神经网络模型研究

地基沉降的机理十分复杂,难以用一种预测模型精确预测。结合某地基沉降的实际数据,采用时间序列分析法和BP神经网络法相结合的组合模型进行预测,并用马尔科夫理论对预测结果进行改进,得到了更可靠的结果。     

基坑变形的混沌时间序列分析方法及应用研究

运用混沌理论研究基坑变形破坏的演变机理,对基坑变形观测数据序列进行相空间重构,将若干固定时间延迟点上的测量作为新维处理,形成相点,按照关联维数方法求算吸引子维数,提取和恢复基坑系统原有的规律。实例分析表明,混沌理论为基坑预测研究提供了新的途径。     

一种组合最小二乘支持向量机的研究及其应用

将统计学习理论和LS-SVM用于变形分析预报,采用小生境遗传算法与交叉验证法相结合进行LS-SVM参数的选取,并用参数优选后的LS-SVM与混沌理论相结合对变形监测数据进行建模预测,并与BP和RBF两种神经网络的预测结果进行了比较分析。实例表明,基于组合LS-SVM的变形数据预报模型具有良好的效果。     

灰色RBF在地铁沉降监测中的应用

随着城市发展,致使地铁沉降的因素越来越多,地铁沉降监测越来越重要。对此,本文基于灰色模型和RBF神经网络预测模型,对两者融合方法进行了研究。通过对某城市地铁沉降监测数据进行预报和分析,证明了灰色RBF神经网络模型预测精度优于单一模型预测精度,组合模型避免了灰色模型线性补偿的弊端、增加了数据利用率、增强了算法的鲁棒性,预报结果更加准确。     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。