基于小波神经网络的拦渣坝变形分析研究

本文介绍了小波分析与神经网络有机结合的小波神经网络的基本原理,并将其应用于某大型拦渣坝变形监测实例中,通过将所建立的模型与常规BP神经网络训练和预测结果的比较,可以看出小波神经网络在拦渣坝的变形预测中具有收敛速度快、预测精度高的特点。     

基于小波神经网络的边坡预报模型研究

边坡变形具有复杂性、随机性、不确定性、地域性、时效性等的特性,对边坡进行精确的预报一直是一个难题。针对此问题,本文建立了基于小波分析的神经网络预报模型来对边坡变形进行研究,结果表明小波神经网络预测模型具有更灵活有效的函数逼近能力,预报的精度高,并通过实例验证了小波神经网络预测模型的高精度性。     

小波神经网络在大坝变形预报中的应用

大坝变形统计模型以回归模型为主,建立变形量与自变量间的线性关系。神经网络变形预报模型可以反映监测量与效应量间的非线性关系,建立准确的变形预测模型。建立基于逐步回归模型和小波神经网络的大坝变形预报模型,通过对比两种模型,验证了相比逐步回归,小波神经网络模型在拟合和预测上均有着更好的表现。     

基于趋势项分离的隧道变形组合预测研究

以小波变换分离隧道变形数据的趋势项和误差项,采用回归模型对趋势项进行单项预测,并进一步对其进行组合预测;同时,利用BP神经网络对误差项及原始数据项进行预测,最后对比本文组合预测与传统BP神经网络的预测结果。结果表明:sym5小波函数对本文监测数据的分离效果最好,而非线性组合预测的精度要优于线性组合预测的精度,且综合对比本文组合预测和BP神经网络的结果,得出本文的组合预测很大程度上提高了预测精度,为隧道的变形预测提供了一种新的思路。     

土岩组合地区地铁深基坑变形分析与预测

以沿海某土岩组合地区一吊脚桩支护的深基坑工程为例,通过实测数据分析基坑变形情况。以实测数据为样本,建立小波神经网络与神经网络两种模型分别对基坑变形进行预测,研究表明:通过分析实测数据,吊脚桩支护的深基坑变形没有明显时空效应;小波神经网络模型的预测误差分别为1.617%、1.080%,均小于神经网络模型的预测误差(3.825%,1.349%)。说明小波神经网络在深基坑沉降预测中具有稳定性和准确性,能够为基坑后续监测工作提供依据。     

BP小波神经网络模型及其在交通事件检测中的应用

本文将小波变换和BP神经网络进行紧致型结合,提出了基于BP小波神经网络的高速公路交通事件检测算法,即采用小波函数代替BP神经网络的隐层节点函数,相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替,以上下游检测器的速度、流量和占有率作为算法的输入,采用梯度下降法进行网络训练,构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据的实例分析,并将其与现有的经典算法进行了对比分析。结果表明,BP小波神经网络算法在检测率和平均检测时间方面具有明显的优势。     

多小波神经网络在变形预测中的应用

将多小波与神经网络结合提出一种新的变形预测方法——多小波神经网络预测法,通过理论分析和它在变形预测中的应用分析表明,该方法较其他预测方法具有更高的精度,更快的速度,值得推广。     

小波神经网络的改进及在GPS高程拟合中的应用研究

本文首先介绍了GPS拟合和小波神经网络,重点是介绍小波神经网络的改进,及其在GPS高程拟合中的应用,为增强对比性,拟合的结果将与小波神经网络和二次曲面拟合、平面拟合的结果进行对比,证明对小波神经网络改进后收敛速度将加快,能更好地应用到GPS高程拟合。     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。     

基于解耦子波和优化神经网络的大坝变形预测

针对提高神经网络对大坝变形的预测能力,在对Murtagh提出的、小波与神经网络相结合的、用于复杂时间序列预测的“三阶段”策略进行改进的基础上,发展了一个解耦子波和优化神经网络优势联合的预测模型。首先,利用冗余Haar小波变换的拟小波包特性提出了基于能量谱主峰重构的动力解耦空间构建技术,并将其替代“三阶段”策略中的第1阶段,从而为神经网络的应用创建了良好的平台;再者,利用最优脑外科医生进行网络结构修剪,建立了神经网络自身优化的“优化–时新窗”技术,并将其替代“三阶段”策略中的第2阶段,从而优化了神经网络的内部环境。改进后的模型增强了对复杂动力系统的适应和处理能力。在大坝变形预测应用中,多个评价指标说明,该模型的性能比“三阶段”策略有显著提高。     

应用小波支持向量机的预应力混凝土碳化深度研究

构造了一类小波核函数,并利用小波核函数支持向量机对预应力混凝土碳化深度进行了仿真和预测。将小波函数用于SVM得出一类小波核函数,并将其与径向核函数SVM、神经网络在预应力混凝土碳化深度预测中的应用进行了对比。研究发现,SVM对预应力混凝土碳化深度的预测精度要远远高于神经网络,且小波核函数SVM比径向核函数SVM精度高。小波核函数在一定场合下精度要比径向核函数高,SVM用于预应力混凝土碳化深度的预测是可行的,且具有较高精度。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于小波神经网络的CPI数据预测计算模型

针对影响CPI经济序列数据预测的各因素之间的非线性问题,探讨利用神经网络的自学习能力和小波变换的局部化性质,采用了MATLAB强大的运算功能,建立了基于小波神经网络的CPI预测模型。对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列,仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果,为CPI数据预测提供了一种计算方法。     

基于小波分析的神经网络在混凝土测强曲线拟合中的应用

将小波母函数嵌入人工神经网络的神经元形成紧致型小波神经网络,将此种网络用于混凝土非破损检测的测强曲线拟合和预测,提升了纯粹的BP神经网络的拟合和预测精度,效果远胜于最小二乘拟合和预测.通过一个算例对小波神经网络的高精准性和非性线逼近能力进行了验证,对实验数据进行了统计分析,结论表明小波神经网络优于BP神经网络.     

基于小波分析的深基坑地表沉降预测研究

深基坑开挖必然引起地表沉降,地表沉降监测数据不可避免要受到施工及周边环境的干扰,使沉降数据真实性受到极大的影响。以武汉深基坑工程的大量监测数据为基础,提出一种小波分析法与径向基神经网络的混合建模方法,对深基坑地表变形进行沉降预测分析。首先运用小波分析对实测数据进行去噪处理,提取反映实际变化的沉降数据作为径向基神经网络输入的特征向量,构建小波网络W-RBF预测模型,采用滚动预测方法对地表沉降进行预测。工程应用结果表明,W-RBF模型预测性能,要优于带有噪声构造的原始数据预测结果,具有较高的预测精度,可满足深基坑工程的信息化施工要求。     

小波神经网络在水库流量预测中的应用

针对河南省某水库监测点实测的1991~2013年每月的平均流量样本进行归一化处理作为训练样本,构建了使用Morlet、Mexican hat以及高斯一阶导数小波基函数小波神经网络的预测模型实现对2014年的月平均流量的预测,并通过均方误差(MSE)和平均绝对误差(MAE)两项指标对每种网络的预测结果进行评价,从而选择较好的小波基函数作为小波神经网络的隐含层传递函数。研究表明,采用Morlet小波作为神经网络的隐含层基函数对该水库的月平均流量的预测效果要好于其他两种神经网络。     

灰色模型联合小波变换进行变形预测的研究

该文研究了基于灰色模型结合小波变换的变形预测方法。根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果,且将该结果与灰色模型预测结果进行了比较。结果表明,该方法具有较强的预测能力,可作为变形预测的方法参考。     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

人工神经网络和SWMM在降雨径流模拟中的应用对比

降雨径流的精确模拟一直是水文研究领域的重点问题之一,为探究人工神经网络在城市降雨径流模拟中的适用性,选取西宁市某小区为研究对象,以当前降雨量、累积降雨量和前一时段的流量为输入,以当前流量为输出,分别建立径向基神经网络和小波神经网络进行模拟,并与SWMM的模拟结果进行对比。另外,通过SWMM输出结果训练神经网络替代模型。结果表明,径向基神经网络和小波神经网络对降雨径流的模拟精度较高,能够真实模拟实际径流过程,适用于复杂的城市降雨径流过程模拟。另外,证实了径向基神经网络和小波神经网络模型作为SWMM替代模型的适用性。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。