基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

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。     

InSAR技术结合深度学习的范围性地表沉降预测

针对InSAR技术所提取的太原市局部地区沉降数据因其波动性和非线性影响,直接进行机器学习难以达到理想的预测效果的问题,该文提出一种自适应噪声完整经验模态分解(CEEMDAN)样本熵和深度学习组合的范围性地表沉降预测模型。基于CEEMDAN算法将沉降信息分解为多个模态分量(IMF)并计算其样本熵,利用相近原则对IMF重构后运用深度学习(Bi-LSTM)进行预测,将各序列的预测值叠加得到总沉降预测值。实验结果表明：相比BP神经网络、极限学习机(ELM)等模型,该预测模型的均方根误差、平均绝对误差和平均绝对百分比误差至少降低38.45%、41.26%和43.57%。表明该模型能够更好把握波动性较大的沉降信息,提高预测精度,为范围性的地表沉降预测提供了一种新的方法。     

基于CEEMD的电离层TEC组合预报模型

针对单一电离层总电子含量(TEC)预报模型存在的缺陷,如受外界因素干扰较大、预报精度随预报时间的增加明显降低等,本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先,利用CEEMD对TEC原始序列进行自适应分解,得到具有不同频率的分量并依据分量复杂度分析结果进行重构;其次,使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报,使用Holt-Winters模型对低频分量进行建模与预报;最后,重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验,结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高,在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果,稳定性高。     

基于BAS-BP模型的深基坑开挖地表沉降预测

针对反向传播（back propagation,BP）神经网络在训练过程中存在的易过度拟合、收敛速度慢和易陷入局部最优等问题,引入天牛须搜索（beetle antennae search,BAS）算法优化传统BP神经网络中的权值和阈值,建立了BAS-BP神经网络模型。利用深圳市某深基坑开挖的周围道路地表沉降监测数据进行BAS-BP模型仿真测试。实验结果表明,BAS-BP模型在均方误差（mean square error,MSE）、平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）精度指标上均优于BP神经网络模型,预测精度更高。     

利用经验模态分解和LSSVM预测隧道不均匀沉降

隧道不均匀沉降是个复杂的系统.针对其非线性、非平稳的特点,本文将经验模态分解(EMD)和最小二乘支持向量机(LSSVM)引入该领域,建立了一种基于EMD和LSSVM的预测模型.首先,利用EMD方法将原始序列作平稳化处理,得到一系列本征模态分量(IMF);其次,根据各个IMF的变化规律,采用合适的参数构造不同的LSSVM...     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

基于RBF神经网络的建筑物沉降预测

采用RBF神经网络的建模方法对建筑物的沉降进行了预测,并利用桂林市某在建农贸市场附近建筑物上的一个监测点连续3个多月的监测数据进行计算分析。实践表明,该模型预测精度相对较高,有很好的实际应用价值。     

CEEMD与GRNN神经网络电离层TEC预报模型

针对电离层电子总含量(TEC)存在非线性、非平稳,由多因素影响导致高噪声的问题,建立了补充集合经验模态分解(CEEMD)和广义回归神经网络(GRNN)模型相结合的CEEMD-GRNN电离层TEC预报模型.以解决直接使用原始数据进行预测会导致拟合效果差、预测精度低的问题.采用国际GNSS服务(IGS)中心提供的2019年...     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络,研究大坝变形时间序列中非线性周期信号变化的内在规律,使用西龙池L022号站4000期数据作为训练样本,对后续80期数据进行预测,并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明,N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比,RBF预测效果更好,受数据精度影响较小,MAE、RMSE较BP分别最高可提高63%、57%,且本文方法计算效率高,泛化能力强。     

基于ARMA模型的基坑沉降监测预测研究

应用ARMA模型对地铁车站基坑监测数据进行预测分析。在参考利用已有的ARMA模型算法进行预报分析的基础上,联合最小二乘原理对模型算法进行改进,结合基坑工程算例,验证了新模型算法的可行性、有效性及稳定性。说明改进之后的新模型算法较老模型算法提高了预测精度且提升了运算效率。     

基于蚁群-BP神经网络的基坑变形预测

由于神经网络具有较好的自组织和自适应特点,已被广泛应用于基坑变形预测领域.但神经网络中节点的权值最优化难以处理.为进一步提高BP神经网络性能,实现准确、快速预测基坑变形的目的,可将蚁群算法作为BP神经网络的学习算法,建立一种新的蚁群神经网络预测模型.实例表明,基于蚁群—BP神经网络的基坑变形预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力,取得了较好的效果.     

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

基于神经网络的组合模型在基坑沉降预测中的应用研究

通过对基坑沉降发展规律及其沉降曲线特点进行的研究,在多种S型单项预测模型基础上引入了组合预测的思想,本文先用4种S型增长曲线模型分别对基坑开挖周边地表沉降值进行拟合和预测,然后基于各单一模型预测数值通过神经网络进行组合建立组合模型进行预测。通过实例,对模型的预测结果进行了分析和检验,证明了在沉降变形分析中应用此组合预测法的可行性。     

SSA-小波神经网络支持下的地铁沉降变形预测

沉降变形监测中,研究如何对监测的沉降数据进行处理,预测沉降量,对可能出现的安全隐患做出预判有着很重要的实际意义。本文基于神经网络模型、小波分析和奇异谱分析（singular spectrum analysis,SSA）的相关理论,构建起SSA-小波神经网络变形预测模型,并将模型应用于地铁工程沉降预测中。针对地铁监测数据非平稳性、非线性特征,首先,使用SSA方法提取数据序列中的趋势项与周期项,提高序列信噪比;其次,使用小波神经网络模型对趋势项与周期项分别进行预测与重构,得到最终的预测值。通过对地铁累计沉降量观测数据进行预测,结果表明相比单独的小波神经网络模型,SSA-小波神经网络模型的预测效果更佳稳定,且随着训练样本的增加,预测结果与实际情况更加符合。     

基于LMD-Elman神经网络模型的建筑物沉降预测

为提高建筑物沉降变形预测精度,准确掌握建筑物变形趋势,发挥局部均值分解（LMD）算法与Elman神经网络模型在数据处理、数据预测中的优势,提出一种新的LMD-Elman神经网络模型。该组合预测模型有效实现建筑物沉降预测的流程为：(1)通过LMD方法将沉降序列分解为若干的不同尺度具有物理意义的乘积函数;(2)发挥Elman神经网络模型在数据预测中的优势,针对不同分量建立预测模型得到各分量预测值;(3)将各分量预测值重构得到最终预测结果。将组合预测模型应用于实测建筑物沉降数据预测中,结果表明,相较于GM(1.1)模型与单一的Elman神经网络模型,本文提出组合预测模型预测结果与实际监测值具有较高的一致性,预测精度更高。该组合预测模型能够充分发掘建筑物沉降数据本身所蕴含的物理机制与物理规律,提高了建筑物沉降变形的预测精度。     

基于集合经验模态分解的老年人步态信号的降噪方法

基于手机传感器的行人航位推算(PDR)作为一种不依赖外部信息和硬件就可以自主定位导航的方法,在室内环境下试图去普及应用。老年人与年轻人在步频与步幅上有很大差异,常用的年轻人步态降噪方法并不适用于老年人,大大降低PDR的定位精度。针对该问题,本文以手机内加速度传感器信号为数据依据,以检测老年人步数为研究目标,采用卡尔曼滤波、巴特沃斯低通滤波、集合经验模态分解等方法,确定老年人的步数。通过对比分析,确定基于集合经验模态分解的降噪方法,对老年的检步精度达到98%以上,较采用卡尔曼滤波与巴特沃斯低通滤波的方法提高了19.4%。