共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
5.
从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。 相似文献
6.
针对单一模型很难准确预测拦渣坝变形大小的问题,介绍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,将其应用于某大型拦渣坝变形监测实例中,建立了拦渣坝变形预测的小波神经网络模型。通过将该模型与常规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。 相似文献
7.
8.
隧道拱顶下沉监测数据中含有大量的随机误差,为了消除或者消弱随机误差的干扰,本文对实测数据进行小波去噪,使数据更真实性。针对传统BP神经网络预测精度差、收敛慢的问题,通过改进的BP神经网络对去噪的数据进行预测。实验结果表明,并与传统BP神经网络相对比,小波去噪的改进神经网络收敛速度加快,精度提高,预测效果显著提高,适用于拱顶下沉的预测研究。 相似文献
9.
10.
11.
利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。 相似文献
12.
13.
14.
15.
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。 相似文献
16.
17.
18.
基于ARIMA模型的边坡变形分析与预测 总被引:1,自引:0,他引:1
详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程,建立自回归滑动平均求和(ARIMA)模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示:利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性,并能取得较好的效果,研究成果可为工程施工和防灾减灾提供技术参考。 相似文献