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。     

高速公路路基沉降预测的神经网络模型

软土地基的沉降控制是保证高速公路建设质量的一个关键技术.论文主要介绍了一个对高速公路路基沉降进行预测的神经网络模型.对神经网络的BP算法进行了改进,提高了BP算法的学习收敛速度和网络性能的稳定性.神经网络法预测路基沉降的难点之一是合适的训练样本构造问题,论文提出了新颖独特的“训练样本”构造方法,且应用效果良好.利用路基沉降量实测资料直接建模,采用BP网络计算的改进算法,可较为准确地预测大约4个月之后的沉降量,预测值与实测值吻合较好.     

灰色Verhulst-BP模型在沉降分析中的应用

针对软基处理后的地基沉降情况进行分析,利用灰色Verhulst-BP模型对沉降数据进行分析预测。灰色Verhulst-BP模型是利用灰色Verhulst模型的残差值来改进BP神经网络模型,进而提高模型的模拟预测精度。在Matlab9.0平台上,通过Matlab语言编程实现实例检验分析。研究结果表明,灰色Verhulst-BP模型相对于灰色Verhulst模型更适合于S型序列的数据分析预测。该模型预测精度较高,能够较好地反映沉降趋势。     

应用贝叶斯动态模型的地基沉降概率分析与预测

考虑到地基沉降预测模型中参数的时变特性及预测结果的可靠性,本文提出地基沉降概率预测方法:运用贝叶斯动态模型建立地基沉降过程的状态方程和观测方程,利用参数先验信息并结合含有噪声的前期沉降观测数据,对沉降状态参数进行Bayes后验概率推断,通过不断的"概率预测-修正"递推运算,获得最优沉降状态概率估计来预测地基沉降量。数值实例结果表明,与其他预测方法相比较,本文的方法是可行有效的。     

变形监测数据的RBF神经网络预测方法

研究了RBF神经网络的变形预测模型及其训练准则和算法,分析了基于RBF神经网络和BP网络的盾构施工变形预测结果,得出了很好的预测效果。     

基于ARIMA-BP神经网络的组合模型在地基沉降预测中的应用研究

在归纳时间序列分析法和BP神经网络法两种单一预测模型的基础上,研究了基于ARIMA-BP神经网络的几种不同的组合模型,并结合某地基沉降的实际数据对各种组合模型的预测结果与精度进行了比较分析,得出了相应的结论。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

温州永兴北园软土地基沉降预测研究

温州永兴北园软土地基采用改性真空预压处理方法,进行负压密封降水,在出水量明显减少,沉降量趋缓甚至无沉降的情况下,达到降低土层含水量;提高土体密实度、承载力;减少地基工后和差异沉降量的目的。本文依据软土地基恒载期的沉降观测数据,分别利用双曲线法和指数曲线法根据沉降观测数据进行沉降预测,通过对两种方法预测结果的分析比较,尽可能精确地推算地基最终沉降量。     

遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法

根据区域沉降地区工程沉降监测特点,将在一定程度上能够反映区域沉降的基准点和工作基点变形信息引入遗传BP神经网络工程沉降预测分析中,研究出一种基于遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法.工程实例建模分析表明,其沉降预测值拟合精度较传统方法得到较大提高,能更好地反映工程建筑物的沉降情况.     

一种基于遗传算法优化的BP神经网络建筑物沉降预测模型

为提高建筑物基坑沉降预测精度,针对传统BP神经网络模型收敛速度慢和易陷入局部最小值的缺陷,利用遗传算法的全局寻优能力建立基于GA-BP神经网络的高精度建筑物基坑沉降预测模型。结合实际建筑物的基坑沉降监测数据,与传统BP神经网络预测模型进行对比,结果表明基于GA-BP神经网络的沉降预测精度更高。     

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。     

小波神经网络在高铁路基变形分析中应用研究

路基是高速铁路的轨道基础,是整个线路结构中最为薄弱的环节,对线路的平顺性、稳定性特别敏感,加强对高铁路基的沉降变形分析是确保路基工程施工质量和保障运营安全的重要环节。引入小波神经网络组合模型应用到高铁路基的沉降变形分析中,通过工程实例分析表明,小波神经网络组合模型预测精度较BP神经网络模型高,在高铁路基的沉降变形分析中具有更好的优越性和应用效果。     

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。     

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。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开,基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想,以非等间隔灰色预测模型与BP神经网络模型为预测单模型,以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源,以最优加权法对单模型预测结果开展了最优权组合,组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价,结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果,最优权组合预测的模型精度较单模型明显提升,预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

煤矿工业广场地表沉降监测及GM(1,1)建模预测分析

介绍了沉降监测的基本理论和方法,以钱营孜煤矿为例,建立了沉降监测系统,采用水准测量对监测系统进行定期监测,数据处理和分析。建立了能反映监测动态变化的灰色GM(1,1)等维新息模型,得到:地表沉降与水位变化呈现显著的相关关系,井架基础最大沉降量138mm,最大沉降差为3mm,并对监测点下一期的沉降值进行了预测。研究成果对于工业广场沉降治理具有指导意义。     

L ogistic 模型在地面沉降预测中的应用

随着城市大规模工程建设的开展,由此引发的地面沉降对区域生态环境、基础设施的影响不容忽视,地面沉降预测与控制是亟待深入研究的重要课题。研究表明,地面沉降基本经历发生、发展、成熟,最后到达一定极限沉降量的过程,这与Logistic模型反映事物的发展规律非常接近。文中建立地面沉降量Logistic预测模型,以某地区地面沉降实测数据为例进行定量模拟预测,结果表明,Logistic预测模型能很好的拟合沉降量—时间关系曲线,而且能够对地面沉降进行较为准确的预测。     

高速铁路沉降评估中工程沉降和区域沉降的可区分性研究

某高速铁路北京至济南段地处华北平原,沿线经过的大部分地区都存在着不同程度的地面沉降。对穿越不同地面沉降速率区段的高速铁路工程,沉降观测得到的桥墩沉降量是工程沉降与区域沉降的综合体现。由于地面沉降速率在空间上是不均匀的,本文对区分工程沉降和区域沉降进行了研究,并提出了对沉降观测的改进措施。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。