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。     

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。     

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。     

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。     

变权组合模型在沉降预测中的应用

为探讨变权组合预测模型在沉降预测中的应用,以某大楼实测等时距沉降观测数据为研究对象,根据实测建筑物沉降数据所呈现的规律性,选取Logistic和Gompertz曲线模型对实测沉降数据进行了拟合;求取曲线模型的参数后,建立预测模型并进行预测.在此基础上,利用最小二乘法原理建立变权组合预测模型.根据各模型的预测结果及其计算出的模型精度显示,变权组合预测模型的拟合精度比Logistic和Gompertz曲线的拟合精度高,更适合于作为建筑物的沉降预测模型.     

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。     

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。     

变权组合模型在沉降预测中的应用

为探讨变权组合预测模型在沉降预测中的应用,以某大楼实测等时距沉降观测数据为研究对象,根据实测建筑物沉降数据所呈现的规律性,选取Logistic和Gompertz曲线模型对实测沉降数据进行了拟合;求取曲线模型的参数后,建立预测模型并进行预测。在此基础上,利用最小二乘法原理建立变权组合预测模型。根据各模型的预测结果及其计算出的模型精度显示,变权组合预测模型的拟合精度比Logistic和Gompertz曲线的拟合精度高,更适合于作为建筑物的沉降预测模型。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究.首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式.然后,给出基坑...     

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。     

利用PSO-GA-LSSVM模型预测基坑周边建筑物沉降

针对最小二乘支持向量机(least square support vec-tor machine,LSSVM)模型参数选择存在随机性与单一优化算法寻找参数存在局限的问题,将遗传算法(genetic algo-rithm,GA)、粒子群优化(particle swarm optimization,PSO)算法引入LSSV...     

基于插值指数平滑组合模型对深基坑沉降的预测研究

深基坑测量在较短周期内获得的观测数据所建立的预测模型,往往不能有效地体现出深基坑非线性变形的特点。通过对深基坑实测,本文提出先使用三次样条插值法,对原始观测数据做预处理,以凸显数据的非线性特点,再使用三次指数平滑法建立串联式组合预测模型,并对沉降趋势做预测。结果表明,这种串联式组合预测模型适用于基坑沉降变形的非线性特点,相比单一的指数平滑法建立的预测模型,提高了初值拟合精度,使预测精度更高。     

基于对数变换的优化灰色模型在基坑沉降中的应用

结合青岛某火车站基坑沉降观测工程,本文运用灰色预测模型对其沉降数据进行处理,并对其未来趋势做出预测。传统灰色预测模型的优点是计算简单,但其与原始数据拟合程度较低,预测精度有时也不能满足要求。为了提高灰色模型的拟合和预测精度,本文对原始数据进行对数变换以提高原始数据序列的光滑度,并融入新陈代谢思想对模型做进一步优化。结果表明,优化后的模型预测精度较高,有较好的应用价值。     

基于改进指数平滑神经网络模型的大坝沉降预测

为了及时跟踪非线性化大坝沉降数据并长期预测,针对传统指数平滑方法的缺陷,将改进的指数平滑方法与BP神经网络模型相结合,研究了其在大坝沉降监测中的应用.通过控制全局和局部的目标函数形成改进的指数平滑方法,获得一组平滑预测值;再利用BP神经网络对平滑预测值和平滑预测值与观测值的误差序列进行训练;最后将下一步的误差序列和平滑...     

基于时间序列-BP神经网络在基坑方面的应用研究

随着城市经济的发展,城市内部出现很多深基坑工程,基坑的变形会威胁到周围建筑物的形变,因此,对基坑变形的研究变得尤为重要。时间序列和BP神经网络模型都是常见的监测数据处理方法,将时间序列模型与BP神经网络模型组合,对郑州某大型深基坑的沉降数据处理证明,组合模型得到的拟合精度要优于单纯的时间序列模型的建模精度。     

基于ARMA模型的基坑沉降监测预测研究

应用ARMA模型对地铁车站基坑监测数据进行预测分析。在参考利用已有的ARMA模型算法进行预报分析的基础上,联合最小二乘原理对模型算法进行改进,结合基坑工程算例,验证了新模型算法的可行性、有效性及稳定性。说明改进之后的新模型算法较老模型算法提高了预测精度且提升了运算效率。