基于GA-SVR的地铁隧道沉降预测

利用支持向量回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的地铁隧道沉降预测模型,可提高地铁隧道沉降预测的精度。利用长期实测的地铁结构监测数据对SVR模型进行训练,并通过GA优化SVR模型的3个参数;利用训练模型均方误差结合留一交叉验证的方法确定GA的适应度。基于南京地铁2号线隧道结构沉降实测数据,将预测值与实测值进行了对比分析。结果表明,该模型预测的地铁隧道沉降预测值准确、可靠,其精度能满足工程实际要求。     

InSAR和改进支持向量机的沉陷预测模型分析

针对传统开采沉陷监测方法的缺陷和现有预测模型精度较低的问题,该文提出了一种基于SBAS-InSAR和差分进化混合灰狼优化算法(DEGWO)优化支持向量机回归(SVR)的预测模型,利用2018年10月-2020年3月的44景Sentinel-1A数据对陕西彬长矿区孟村煤矿进行开采沉陷监测,得到该矿区的年平均沉降速率和时间序列累积沉降值.SBAS-InSAR监测结果表明,该矿区年平均沉降速率最高达到了211 mm/a,最大累积形变量达到335 mm.用矿区GPS数据对InSAR处理结果进行验证,拟合效果较好.并将预测结果与传统SVR预测模型以及灰色GM(1,1)模型的预测结果进行对比,DEGWO-SVR模型的绝对误差、相对误差以及均方根误差,均为三者最小.说明了差分进化混合灰狼优化算法能够起到很好的参数优化效果,该方法优化的SVR预测模型能够在矿区开采沉陷预测中得到应用.     

基于Allan方差和SVR的MEMS陀螺仪随机误差分析与预测

为了使低成本MEMS陀螺仪数据的精度更高,本文提出了一种混合核函数支持向量回归（SVR）的MEMS陀螺仪随机误差预测模型,并通过粒子群优化（PSO）算法对模型参数和核函数参数进行优化;同时通过Allan方差法对SVR预测前后的MEMS陀螺仪随机误差数据进行分析。试验结果表明：混合核函数SVR对MEMS陀螺仪随机误差的预测准确度可达99.99%;当MEMS陀螺仪所处状态不同,但噪声特性相同时,可采用统一的SVR预测模型预测随机误差,研究结果为进一步用于MEMS陀螺仪的实时误差补偿中提供依据。     

优化组合模型在建筑物基坑沉降预测中的应用

为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

基于分位数自回归的路基沉降数据预测分析

高填方路基存在施工期稳定控制和工后沉降控制问题。解决这两个问题的关键在于及时准确地预测出高填方路基的沉降量。通过对路基沉降时间序列分析,建立了自回归AR(1)拟合预测模型。采取分位数回归法和最小二乘法进行模型参数估计和比较分析,结果表明分位数回归法在模型参数估计时有明显的优势,预测精度远高于多变量灰色MGM()模型和基于最小二乘估计的自回归AR(1)模型。工程实例分析表明,分位数自回归模型具有很好的预测和应变能力,完全可以用于路基沉降数据预测分析。     

基于LMD-Elman神经网络模型的建筑物沉降预测

为提高建筑物沉降变形预测精度,准确掌握建筑物变形趋势,发挥局部均值分解（LMD）算法与Elman神经网络模型在数据处理、数据预测中的优势,提出一种新的LMD-Elman神经网络模型。该组合预测模型有效实现建筑物沉降预测的流程为：(1)通过LMD方法将沉降序列分解为若干的不同尺度具有物理意义的乘积函数;(2)发挥Elman神经网络模型在数据预测中的优势,针对不同分量建立预测模型得到各分量预测值;(3)将各分量预测值重构得到最终预测结果。将组合预测模型应用于实测建筑物沉降数据预测中,结果表明,相较于GM(1.1)模型与单一的Elman神经网络模型,本文提出组合预测模型预测结果与实际监测值具有较高的一致性,预测精度更高。该组合预测模型能够充分发掘建筑物沉降数据本身所蕴含的物理机制与物理规律,提高了建筑物沉降变形的预测精度。     

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。     

非负变权组合预测模型在建筑物沉降预测中的应用

为了克服建筑物变形预测中单一模型预测精度差、不稳定的问题,本文融合了适应性强、互补性好的自回归滑动模型、灰色模型和三次指数平滑法三种模型,基于误差平方和最小准则,采用滚动时间域的方式构建了非负变权组合预测模型。工程应用表明:非负变权组合预测模型的预测精度、可靠性优于三种单一预测模型、方差倒数组合预测模型以及等权组合预测模型。研究成果对建筑物沉降预测具有较好的参考价值。     

基于灰色支持向量机的地铁沉降滚动预测

为了确保地铁隧道主体结构和周边环境安全,必须对地铁隧道结构进行沉降监测,对监测数据进行及时分析与反馈,并对以后的沉降情况作出预测,对防止事故发生有着重要的现实意义。本文结合灰色系统理论和支持向量机(SVM)的基本原理,采用滚动预测的方式建立灰色支持向量机沉降预测模型,以提高沉降预测精度。通过工程实例的预测结果对比表明,组合模型与灰色和SVM两个单独预测模型相比能够更准确的反映实际的沉降过程,具有很大的应用价值。     

北斗监测滑坡及其梯度增强多元回归位移预测北大核心CSCD

山体滑坡位移量预测精度主要受预测模型和参量的影响,而基于回归模型和灰度预测模型的传统滑坡预测模型主要存在模型预测结构单调、引入的预测影响参量不全面、长期性预测精度低等问题,因此,本文基于北斗数据提出了一种基于梯度增强多元回归算法的滑坡预测方法。梯度增强多元回归模型在考虑多重因素的前提下,使用如降水量、土壤湿度、地形参数等滑坡主影响因子作为回归模型参量,同时结合梯度增强方法,可以增强预测模型的有效结构,提升数据的使用率,进而提高长、短期的滑坡位移量预测精度。最后以西宁市南山寺滑坡带为例,考虑降水、地面沉降、地形地貌等诱发滑坡的关键因素,分别基于梯度增强多元回归模型、贝叶斯岭回归模型、弹性网络回归模型及支持向量机回归模型进行试验。结果表明,梯度增强多元回归模型的方差(EV)结果为0.99 mm^(2),均方差(MSE)结果为0.04 mm,平均绝对误差(MAE)结果为0.15 mm,且利用梯度增强多元回归模型对2020年12月的表面位移量进行预测,发现相对误差区间为(-0.8%,0.8%],预测精度最高。因此,相对而言,梯度增强多元回归预测模型精度更优、效率更高,更能准确反映滑坡表面位移量的变化状态,精确地对滑坡体进行全天候监控、预警,保障滑坡体周边环境的安全。     

一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型

根据高铁沉降监测和预测特点,提出了一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型,给出了组合高铁沉降预测模型实施步骤。通过某一高铁沉降监测数据,对单一模型和组合模型预测进行分析比较,结果表明,采用变系数组合模型求出的预测值精度更高。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

回归分析与灰色理论在建筑物沉降变形分析中的应用

沉降监测的数据分析与预计在工程建设中具有决策辅助作用。选择合理的预测模型进行沉降预计,可以提高预计精度。结合工程实例,对焦作市×××项目8号楼进行沉降监测,分别用回归分析模型和灰色理论GM(1,1)模型进行数据处理,从而说明两种模型各自适用的环境条件和优缺点,预计效果令人满意。     

高速铁路沉降变形的组合预测方法

为实现各种预测模型的优势互补,提高沉降预测精度,分析单项沉降预测模型各自的特点,将组合预测方法应用到高速铁路沉降变形预测分析中;介绍组合预测基本方法和常用的定权方法,提出模型建立的步骤和具体原则,研究出一种变权最优预测的方法。通过工程实例验证表明,该组合方法预测精度较高,拟合能力更强,可作为高速铁路的沉降预测模型。     

基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

融合多层感知机和优化支持向量回归的滑坡位移预测模型

滑坡位移高精度预测对于滑坡预测预警具有重要的参考价值。顾及智能优化与机器学习组合模型在滑坡时序位移预测中的优势,构建了一种融合多层感知机和优化支持向量回归的滑坡位移组合预测模型。首先采用多层感知机（multilayer perceptron, MLP）对滑坡位移进行初步预测,然后构建基于差分进化（differential evolution,DE）算法改进的人工鱼群算法（artificial fish swarm algorithm, AFSA）与支持向量回归（support vector regression, SVR）组合预测模型（optimal combination SVR, OPSVR）以修正MLP预测结果。通过两起典型滑坡体北斗实测算例发现,由于DE有效克服了AFSA运行后期人工鱼个体大多处于随机运动状态而无法搜索到全局最优解的问题,提高了其寻优性能,进一步与SVR结合可更合理确定出SVR的超参数,从而提高了其预测精度;相较于单一MLP和SVR预测模型,以及常规智能优化算法（遗传算法、粒子群算法）、改进人工鱼群算法与SVR的组合预测模型,MLP-OPSVR组合预测模型具有更...     

傅里叶时频分析的建筑物沉降预测

针对时间序列自回归(AR)模型在高层建筑物沉降预测中出现的对于历史资料分析和利用不充分的情况,提出了一种基于傅里叶时频分析的沉降预测模型。以桂林市某在建的高层建筑物的沉降变形为例,在分别从时域和频域两个方面充分分析资料的基础上,对建筑物的沉降观测数据进行建模分析,得到了均方误差为0.107 9 mm的预测精度,很好地克服了AR模型在应用中存在的问题,提高了预测精度。     

混合模型在沉降监测中的组合预测方法

对建筑物沉降数据进行建模预测,以便掌握其变形规律并预测变形趋势,保障建筑物的安全。单一预测模型有自己的适用情形,也存在各自的缺点,已经不能满足当前的精度要求。选取灰色GM(1,1)和自回归两种常用的预测模型,通过两种不同的方式进行组合预测,并结合南京市地铁一号线百家湖段沉降监测数据进行计算分析,结果表明两种组合方法与单一预测模型相比精度均有所提高。     

径向基神经网络在沉降预测中的应用

针对大型建筑物的沉降监测存在较多的不等时间间隔沉降监测数据,现有模型需要对此类数据进行等间隔处理后建立沉降预测模型的现状,该文采用无需对监测数据进行等间隔预处理的径向基神经网络对沉降监测数据建立沉降预测。通过对西安某大厦基坑开挖对地表和周围建筑物影响的沉降监测数据进行实例分析,并与非等间隔灰色GM(1,1)预测模型进行对比,利用模型评价指标评价预测模型精度。结果表明:采用径向基神经网络建立预测模型处理过程简便,其预测精度优于非等间隔灰色GM(1,1)预测模型。