共查询到16条相似文献,搜索用时 203 毫秒
1.
2.
运用灰色理论建立地面沉降的GM(2,1)模型,其中非等时距位移序列采用拉格朗日插值函数转变为等时距序列。采用非等时距GM(2,1)及GM(1,1)模型对西安市地面沉降观测点进行安全预测。计算结果表明,非等时距GM(2,1)模型预测地面沉降精度总体较GM(1,1)模型高,预测结果与实际吻合较好。 相似文献
3.
4.
5.
6.
沉降现象在各地区普遍发生,地面沉降量预测越来越受到重视。本文通过结合灰色(GM(1,1))预测模型和支持向量机(SVM)模型各自的优点,建立灰色支持向量机(GM(1,1)-SVM)残差修正模型,在突出时间序列发展趋势影响的同时降低序列中异常值的消极作用。以某高层建筑的18次地面沉降量数据为实例,检验GM(1,1)-SVM模型的预测效果。结果表明:相对单一的GM(1,1)沉降量预测模型,GM(1,1)-SVM模型相对误差小,预测精度高,对地面沉降量预测有一定指导意义。 相似文献
7.
基于GM(1,1)的组合灰色模型预测软基沉降 总被引:2,自引:0,他引:2
以灰色系统理论为基础,建立了沉降预测的组合灰色模型,对一般灰色模型具有的无限增长特性进行了改进和修正。在求解过程中,采用spline插值函数对现场观测沉降数据进行插值变换生成等时距序列,并对沉降预测模型的初值进行了优化选择,以提高预测精度。运用MATLAB语言编制模型计算程序,通过沉降预测实例及后验差法检验模型精度,表明沉降预测的组合灰色模型预测精度较高,具有较强的适用性。 相似文献
8.
9.
10.
为了提高滑坡的预测精度,通过对灰色GM(1,1)模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM(1,1)模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。 相似文献
11.
基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现:二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明:优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。 相似文献
12.
灰色系统与神经网络组合模型在地下水水位预测中的应用 总被引:1,自引:0,他引:1
灰色GM(1,1)模型与人工BP神经网络对于预测非线性数列变化趋势都具有很好的适用性,但同其他预测方法一样也存在各自的局限性。本文采用灰色GM(1,1)模型与人工神经网络相结合的方法,对GM(1,1)模型预测结果进行了修正。以收集到的某地区1996~2006年的地下水水位埋深数据为算例,计算结果表明,经人工神经网络修正后的灰色系统的预测值比原预测值的预测精度有了很大提高。 相似文献
13.
14.
地表移动预计参数选取的神经网络法 总被引:6,自引:0,他引:6
地表移动预计参数的选取是研究地表移动及其规律的重要内容,由于预计参数受多种复杂因素的影响,具有高度的不确定性和离散性,利用神经网络具有自组织、自学习和高度非线性映射的能力,并既能考虑定量因素又能考虑定性因素的优点,可建立地表移动预计参数选取的神经网络模型以及对BP神经网络进行改进。利用大量的地表移动实际观测数据样本对该网络模型进行训练和学习,并用该网络模型对地表移动参数进行预计,结果表明,该改进的BP神经网络具有收敛速度快、预计参数精度高的优点,从而为开采沉陷地表移动预计中参数的选取提供了新方法。 相似文献
15.
针对沈阳地铁一号线重工街站至启工街站区间隧道开挖引发地面沉降变形的问题,利用现场实测的地表沉降变形数据建立BP神经网络模型,并进行网络训练与预测。预测结果表明,时间序列神经网络模型能够很好地表达地面沉降监测数据序列间的非线性关系。利用BP神经网络建立的预测模型,所得预测值与实测值拟合很好,是预测地铁施工引发地面沉降变形的一种有效方法,能为沈阳地铁隧道的设计及施工提供科学合理的依据。 相似文献
16.
导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。 相似文献