支持向量机模型在大坝变形预测中的应用

根据大坝变形量与大坝变形因子之间的非线性关系建立了大坝变形预测的支持向量机模型,并用交叉验证的方法对支持向量机惩罚参数和核函数参数进行寻优,最后得到良好的大坝变形预测效果。用该模型和与传统的BP神经网络对比,结果证明支持向量机在大坝变形预测方面是强于BP神经网络的。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

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。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型,并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比,支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点,为建筑物的沉降预测提供一种新的方法。     

基于灰色支持向量机的地铁沉降滚动预测

为了确保地铁隧道主体结构和周边环境安全,必须对地铁隧道结构进行沉降监测,对监测数据进行及时分析与反馈,并对以后的沉降情况作出预测,对防止事故发生有着重要的现实意义。本文结合灰色系统理论和支持向量机(SVM)的基本原理,采用滚动预测的方式建立灰色支持向量机沉降预测模型,以提高沉降预测精度。通过工程实例的预测结果对比表明,组合模型与灰色和SVM两个单独预测模型相比能够更准确的反映实际的沉降过程,具有很大的应用价值。     

奇异谱分析在地铁沉降预测中的应用

地铁沉降受诸多因素干扰,其监测数据往往表现出非平稳、非线性特征。因此,首先利用奇异谱分析(SSA)方法提取监测数据的趋势项和周期成分,以削弱噪声、提高数据信噪比;然后利用BP神经网络分别对趋势序列与周期序列进行预测并重构,进而得到预测值。实验结果表明,相较于BP神经网络模型,SSA_BP神经网络模型的整体预测精度更高、最大预测长度更优。     

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。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

方差分量估计卡尔曼滤波在地铁深基坑变形预测中的应用

在地铁附近基坑工程的施工阶段,通常要对地铁隧道结构进行水平位移监测、分析和预测。采用卡尔曼滤波能实时估计出水平位移状态向量,实现水平位移预测,如果卡尔曼滤波中动态噪声不准或不易确定,就会导致滤波发散而无法获得准确的预测结果。研究和采用基于方差分量估计的卡尔曼滤波,利用预报残差实时更新模型的动态噪声方差,可以避免滤波发散,提高预测精度。实际应用表明,基于方差分量估计的卡尔曼滤波能获得较好的水平位移预测效果。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。