基于岭回归的大坝变形位移模型

大坝回归建模中常常因自变量间的多重共线性产生"病态"问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测.     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

基于小波方法的非线性回归模型研究

介绍小波方法和非线性回归估计的基本理论,研究利用小波变换得到非线性回归估计函数的方法,且将该方法的结果与仅用回归估计的结果进行对比研究,发现对监测数据列进行小波分解并对小波系数作用于阈值,然后通过对小波系数估计能得到回归参数。研究结果表明基于小波方法的非线性回归模型更接近变形体变形规律,是一种能够更好地进行预测的方法,该模型切实可行。     

一种改进灰色预测模型在变形预测中的应用

针对传统的单一模型和非线性GM(1,1)-AR组合模型无法实现对非平稳、含噪时间序列信号进行优化处理的问题,该文提出了一种新的基于小波的GM(1,1)-AR模型预测算法。采用小波变换原理对监测数据进行消噪处理和不同频带的分离,有效地获取了实际变形量;利用GM(1,1)模型和AR时序分析模型对具有确定性的趋势项和不确定性的随机项进行建模组合,较好地综合了灰色模型拟合功能强大和时间序列善于处理细节信息两者优势。通过工程实例对比分析结果表明:基于小波的GM(1,1)-AR模型不仅有效剔除了多余噪声,还利用各种模型有机嵌套组合实现优势互补,新算法预测结果比各单一模型、非线性GM(1,1)-AR模型结果更为精确。     

特长钢箱梁桥GPS监测数据的奇异谱分析

实时准确地监测和分析大型建筑物的变形对于大型建筑物的施工与运行是十分重要的。奇异谱分析(SSA)是一种与经验正交函数相关联的一种统计技术。文中采用奇异谱分析(SSA)的方法,结合功率谱峰值与原序列和RC1-2重建序列均方误差最小的方法确定最优潜入维数M,研究了特长钢箱梁桥索塔的变形趋势和震荡周期。小波分析技术也可以很好地描述时间序列的时频分布,但SSA重构后的结果比小波要平滑些,更能反映出时间序列的特征。结合苏通大桥北索塔监测序列表明,北索塔站的N,E,U方向上均存在明显的趋势和显著的变动周期,而且也含有较多的噪声信息。     

小波-维纳组合滤波算法及其在InSAR干涉图去噪中的应用

为了提高InSAR干涉图的滤波质量,在分析小波变换和维纳滤波各自优势的基础上,提出并构造了一种小波-维纳组合滤波器,实现了相应的滤波算法并开发了一套计算程序.为验证该算法的功效,选取美国Phoenix局部地区作为实验区域,使用ERS-1/2 C波段干涉图作为滤波原数据,以视觉效果、相位导数标准偏差、奇异点个数以及数字高程模型精度作为评价指标,并与其他两种典型滤波算法即小波软阈值法和Goldstein法进行了比较,证实了小波-维纳组合滤波算法在干涉图去噪、保护边缘信息和精度等方面具有明显的优势.     

加权灰色线性回归组合模型在高铁隧道沉降监测中的应用

近年来,相关的研究与实践表明,变形监测的数据处理方法比较成熟,如回归模型、卡尔曼滤波模型、灰色模型、时间序列模型以及人工神经网络模型等各种模型,均经过了各种检验,而且有效地应用在变形监测技术中。然而单一的模型预测有其自身的局限性,因此,预测模型需要采用组合优化模型弥补单一模型的缺陷。本文主要阐述了加权灰色线性回归组合模型在高铁隧道沉降预测中的应用,通过与传统的GM(1,1)模型以及灰色线性回归组合模型进行对比。实验结果表明,加权灰色线性回归组合模型具有较高的预测精度。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容,贯穿于项目的设计、施工和运行,对监测的沉降数据进行处理,并预测沉降量,提前对工程作出安全预警,有很重要的实际意义。本文基于GM(1,1)灰色模型、小波分析和神经网络结合的相关理论,借助Matlab软件编程,建立了灰色-小波神经网络变形预测网络模型。结合工程实例,将建立的变形预测网络模型应用于累积沉降量观测数据,结果表明组合模型具有很稳定的预测效果,比单独的GM(1,1)灰色模型预测准确度高,且训练样本越多,预测越符合实际情况。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

桥面复杂环境下BDS／GPS数据质量监测与分析

分别阐述了BDS／GPS多路径效应的产生机理以及相应的消除和削弱措施,利用统计分析方法对桥梁变形监测过程中复杂环境下监测点的BDS／GPS的多路径效应进行对比分析,以及分析BDS、GPS多路径误差与桥梁桥塔、缆索、车流量等影响因素的关系。实测数据结果表明,GPS的多路径效应值相比于BDS的GEO卫星较大,与IGSO卫星基本相同,优于MEO卫星;多路径误差与卫星高度角呈负相关关系;桥梁桥塔、缆索、车流量是影响多路径效应的重要因素。      

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。     

混沌理论在桥梁变形监测中的应用

针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接...     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

基于BP神经网络与变形监测成果的隧道安全状态评估

隧道变形监测周期长、内容多且影响因素复杂,因此需要对隧道监测方法进行不断的改进,对隧道的健康状态进行实时评估。研究变形监测范畴内基于BP神经网络的隧道安全状态评估模型,组建集卫星定位技术、测量机器人、传感器技术、移动网络通信等为一体的现代化物联网模式下的隧道变形监测系统,分析多源数据的变形特征,结合专家经验知识,实现基于BP神经网络与变形监测成果下的隧道安全状态评估,为隧道变形监测及安全状态评估提供一种新颖而有效的方法。     

电视塔中心线垂直度及塔身扭转GPS监测方法

介绍了利用GPS静态观测事后处理分析的方法监测四川广播电视塔中心线的垂线度及塔身扭转的有关问题。内容包括基准网的建立与稳定性分析；塔心及塔轴线基准数据的确定；塔中心线的垂直度及塔身扭转的监测方法及数据处理。对实测数据的分析研究表明，采用GPS监测方法取得的结果是令人满意的。     

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。