基于神经网络的组合模型在基坑沉降预测中的应用研究

通过对基坑沉降发展规律及其沉降曲线特点进行的研究,在多种S型单项预测模型基础上引入了组合预测的思想,本文先用4种S型增长曲线模型分别对基坑开挖周边地表沉降值进行拟合和预测,然后基于各单一模型预测数值通过神经网络进行组合建立组合模型进行预测。通过实例,对模型的预测结果进行了分析和检验,证明了在沉降变形分析中应用此组合预测法的可行性。     

基于蚁群-BP神经网络的基坑变形预测

由于神经网络具有较好的自组织和自适应特点,已被广泛应用于基坑变形预测领域.但神经网络中节点的权值最优化难以处理.为进一步提高BP神经网络性能,实现准确、快速预测基坑变形的目的,可将蚁群算法作为BP神经网络的学习算法,建立一种新的蚁群神经网络预测模型.实例表明,基于蚁群—BP神经网络的基坑变形预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力,取得了较好的效果.     

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。     

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。     

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。     

组合预测模型在基坑变形监测中的应用

现今常见的变形监测数据处理方法有GM(1,1)模型、BP神经网络模型和径向基神经网络模型(RBF),本文分别采用GM(1,1)模型和RBF网络模型对基坑结构的水平位移量进行预测,并且采用基于方差倒数法的组合模型对上述两种单一模型预测值进行组合,以达到改善预测精度的效果。实验结果表明,组合模型的预测精度和可靠性优于单一模型,说明了该模型的可行性。     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

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。     

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。     

基于蚁群算法的边缘检测

蚁群算法是近些年发展起来的一种群体智能优化算法,它利用生物信息激素作为蚂蚁选择后续行为的依据,并通过蚂蚁间的协同与交互来完成全局寻优搜索过程。本文将该算法用于边缘检测,建立图像边缘与信息场之间的联系。提出了基于像素邻域的8个启发信息检测算子,指导蚂蚁选择最优边缘路径,并能自动确定分割阈值。对灰度图像进行模拟实验与经典分割算子进行对比,结果表明,该算法可以精确提取边缘特征,细节特征更为清晰。     

基于遗传和蚁群组合算法优化的遥感图像分割

将遗传算法和蚁群算法组合对模糊聚类进行优化,巧妙地对图像的像素特征和空间特征进行提取,利用这些特征作为聚类依据,将图像的多个特征结合到智能计算中,充分利用了遗传算法和蚁群算法各自的优势和特点,既提高了图像分割的准确性,又加快了分割过程的速度。实验结果表明,遗传算法和蚁群组合算法优化的模糊聚类是一种性能良好的遥感图像分割方法。     

基于蚁群优化算法的线状目标简化模型

基于蚁群优化算法的基本原理,分析线状目标简化过程中所需满足的约束条件,建立具体的算法设计模型,并引入长期禁忌表和局部搜索策略以提高算法的运算效率,给出解题的关键步骤。最后对该算法进行测试,简化结果表明将蚁群优化算法用于线状目标的简化,能较好地保持线状目标的几何形状特征,在顾及长度偏差和矢量偏差的同时有较高的压缩率。与道格拉斯算法简化结果对比表明,在相同的几何限差内蚁群优化算法所得目标函数值更佳。     

基于蚁群算法的干扰源优化设计技术

在电子对抗新形式的战争中,对卫星导航实施有效的干扰将会极大程度地削弱敌方作战能力。若要对特定区域实施有效的干扰,干扰源的部署方案选择至关重要。为取得理想的干扰效果,本文结合压制式和欺骗式干扰原理以及现代战争的特点,对卫星导航干扰源部署问题进行建模,在干扰源部署方案中选取任务区域干扰效益和平均危险指数作为衡量特定部署方案下干扰能力的指标,建立多目标组合优化模型,并运用蚁群算法优化部署方案。通过仿真分析表明,混沌蚁群算法能有效对干扰源部署方案进行优化,实现对卫星导航的有效干扰。      

基于蚁群算法的地图矢量化算法研究

蚁群算法是一种模拟进化的在图中寻找优化路径的几率型算法,能有效地解决一系列组合优化问题。将蚁群算法应用于森林资源地图矢量化过程中,提出一种基于蚁群算法的新的地图矢量化算法。详细讨论该算法,并与传统算法作比较。该算法在实际应用中取得了良好效果。     

组合模型在沉降预测中的应用研究

预测建筑物沉降的方法有多种,高精度预测才是关键。本文在利用灰色模型和泊松曲线模型进行预测结果的基础上,利用最小二乘法原理,建立加权组合预测模型与变权组合预测模型,求得相应规划模型的权系数,通过对预测结果进行分析比较,认为组合预测模型能提高预测的精度。     

一种基于改进蚁群算法和顾及时间上下文的个性化旅游线路规划方法

为解决旅游线路规划中时间上下文的限制和游客旅游偏好等问题,构建顾及时间上下文和游客旅游偏好的旅游线路规划数学模型。提出一种改进的最大最小蚁群算法MMAS(Max-Min Ant System),采用混合信息素更新策略,改进伪随机比和轮盘赌注相结合的状态转移策略,提出基于时空棱柱模型的局部搜索优化方法。为验证算法的有效性,利用携程网景点数据与高德实时路况数据进行实验。实验结果表明,该方法比对比算法有更好的性能,能有效地规划出较好的旅游线路。     

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。