灰色预测模型在地面沉降中的应用

城市地面沉降已经成为城市发展的严重制约因素,很多城市都在积极采取控制沉降的措施.地面沉降趋势的预测可为地面沉降防控提供数据参考.本文基于天津某地区沉降监测数据,采用灰色理论建立GM(1,1)模型对沉降趋势进行预测.结果 显示,利用灰色模型预测地面沉降具有较高的精度,能够在地面沉降的预测研究中发挥作用.     

傅里叶级数残差修正的TDGM(1,1)模型预测基坑地表沉降

基坑地表沉降预测是城市化进程中的难点问题,由于地表沉降的影响因素众多,使用单一模型预测难度较大.提出一种基于傅里叶级数残差修正的TDGM(1,1)模型(线性时变参数离散灰色模型),利用TDGM(1,1)模型对前期沉降数据进行建模,得到初始预测值和残差后,利用傅里叶级数对残差进行修正,以此修正预测结果.分析对比2组实验,...     

基于遥感影像的青海省环境变化监测

本文通过对遥感影像的分析,针对土地利用及植被变化情况,利用优化的K-means算法对青海省环境变化进行检测,以此对土地的利用进行合理的规划,以期实现可持续发展。同时将试验结果与外业实际结果及当地政策规划进行比对,结果显示文中算法对土地的变化和未来走势预测准确率超过75%,从而验证了监测方法的可行性。这不仅保证了在经济发展的同时能够合理地使用土地资源,而且能对环境进行有效的保护。     

盾构施工参数与沉降变形关系模型构建

针对盾构施工参数变化对施工引起的地表变形的重要影响,该文构建了盾构施工参数与地表沉降变形关系模型。以北京市某地铁盾构区间施工过程中的实测数据为基础,分析了不同盾构施工参数与地表沉降变形的关联度和相关性,得到不同参数对沉降变形贡献值的大小;之后,利用多元回归模型方法建立主要影响参数与地表变形的关系模型,并进行模型的合理性检验;最后,利用该模型得到的沉降量与实测数据进行对比分析,结果显示符合性较好。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

一种状态区间取值修正的灰色-马尔科夫链预测模型研究

提出了一种对灰色-马尔科夫链预测模型的状态区间取值修正方法.考虑实测值在状态区间中的位置分布情况作为先验知识,对状态区间的端点重新定权,修正预测值在状态区间中的取值,从而获得更高精度的预测结果.结合某建筑物的实测沉降数据,与原始GM(1,1)、残差修正G M(1,1)、灰色-马尔科夫链预测模型进行对比,结果表明:本文预...     

融合BP神经网络的组合模型地铁结构变形预测

基于误差平方和最小准则构建回归分析模型和时间序列模型的组合模型,采用BP(black propagation)神经网络优化其组合模型的预测结果,最终获得信息最大化的预测结果.将此方法应用于南京地铁某号线自动化监测,结果显示其预测精度高于任何单一模型,预测精度得到有效提升.     

基于小波变换和灰色模型的变形监测数据分析

变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(...     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。