基于小波去噪的BP神经网络在变形监测中的应用

在变形监测领域中,对沉降数据的准确预测能够提前获悉检测对象的变形趋势,避免事故发生.原始监测数据普遍含有异常值,从而会对预测模型精度造成一定影响,降低预测结果的准确性.以BP(Back Propagation)神经网络为基础,采用小波去噪的方式针对剔除和插补原始数据中的异常值,分别建立去噪前后BP神经网络预测模型,并利...     

BP小波神经网络在地铁隧道变形分析中的应用

利用小波分析能够逼近非线性连续函数和良好的局部化特性对BP神经网络模型进行改进。结合BP神经网络的非线性映射和容错性等优点,将小波分析和BP神经网络相结合,并将其应用于变形监测的数据分析处理。本文通过BP神经网络模型和BP小波神经网络模型分别对样本数据进行分析处理,并对结果进行对比,验证BP小波神经网络模型的优越性。     

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。     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

小波变换和BP神经网络模型在沉降变形监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。     

基于BP神经网络的深基坑变形预测

建立深基坑变形监测数据处理的BP神经网络模型,采用双曲正切S形函数进行输入和输出层传递,选择批处理梯度下降法训练前向网络,并采用附加动量法和学习速率自适应调整进行改进,运用Matlab建立BP神经网络模型。预测结果表明,改进的BP神经网络模型预测精度更高,提高了学习速度并增加了算法的可靠性。     

基于小波滤波的神经网络变形预测

运用小波滤波的的优越性,消除数据噪声,使数据更加的接近真实的数据和更具规律性,有利于我们对数据发展趋势的预测。对消噪后的数据,利用BP神经网络强大的学习能力建立预测网络。在建立网络时,输入样本为监测k时段序列k和第k-1时段变形量与再k-2时段变形量之差组成的二维向量,目标样本为小波滤波后的变形量。并与GM（1,1）。模型和回归模型进行了对比。     

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。     

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.     

基于神经网络的变形预报方法研究

对BP,RBF,Elman 3种神经网络模型进行了简要概括,将其应用于实际工程案例中,经过多角度综合分析,验证了3种模型进行变形预报的可行性,同时得出对实际工程具有指导性意义的结论。     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

模糊神经网络在变形分析与预报中的应用研究

研究了模糊神经网络的网络建模,提出了单点建模、分组建模和整体建模3种建模方法,为变形分析和预报提供了新思路。结合滑坡变形实例,指出了模糊神经网在工程变形分析和预报中的可行性。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。