基于多算法改进的灰色模型在沉降监测中应用

根据灰色模型在沉降预报中的局限性,提出了一种基于小波去噪和粒子群优化算法的灰色模型。首先通过小波分析算法对原始数据进行去噪,再利用粒子群算法对灰色模型算法进行优化,然后对去噪过的数据进行预测。将直接使用灰色模型,使用经过小波去噪的灰色模型以及使用经过小波去噪后利用粒子群算法进行优化的灰色模型3个实验进行比较,得出基于小波去噪和粒子群优化算法的灰色模型的预测值最接近真值的结论。     

基于小波去噪的灰色Verhulst模型在高铁路基沉降预测的应用

高铁路基需严格控制工后不均匀沉降。鉴于高铁路基沉降预测值精度受观测噪声和预测拟合函数的影响,本文提出了基于小波函数去噪,对去噪数据进行灰色Verhulst模型预测的方法,并阐述了高铁路基沉降预测评价方法。通过工程实例对比分析了去噪灰色Verhulst模型、GM(1,1)模型、双曲线模型在沉降数据处理中的拟合精度和预测精度。结果表明:GM(1,1)模型拟合精度高,预测精度低,不适用于长期预测;双曲线法预测精度最低,预测曲线不包含路基饱和发展过程;小波去噪灰色Verhulst模型符合高铁路基沉降规律,预测精度高,可以广泛用于路基沉降预测。     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。     

改进的小波阈值函数在变形预报中的应用

阈值去噪法是传统小波去噪最常用的处理方法,主要有硬阈值法和软阈值法,但二者均存在一定的局限性。本文提出了一种新的阈值函数,有效地弥补了硬阈值函数在阈值点处不连续、软阈值函数存在恒定偏差的缺陷。并在传统灰色模型的基础上,推导出了改进的新陈代谢GM(1,1)模型,最后将硬阈值、软阈值和新阈值函数的小波分析用于变形监测原始数据的预处理,结合新陈代谢GM(1,1)模型对去噪后的数据进行阶段性预测,并与实测值进行比较,通过实例计算表明:新阈值的去噪精度更高,通过新阈值去噪后进行预测的数据更加接近真实数据,可应用于变形监测的预报。     

结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

基于Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。     

地铁变形监测小波去噪与灰色-时序模型研究

近年来,我国城市建设迅速发展,路面交通不堪重负,发展地下交通成为一种趋势,由此引发的地表沉降是值得我们重视的问题。以河南省某市市民文化服务区地下交通工程为例,进行了小波去噪及灰色时序模型的研究。针对观测数据中存在的粗差,采用多种小波模型进行探测、剔除工作。在此基础上建立灰色预测模型、时间序列预测模型以及两者的组合模型。结果表明灰色模型对于波动性数据处理效果不佳,而时间序列模型短期预报比较精确,组合模型能够兼顾数据的波动性和趋势性,预测精度最高,能够满足地铁区间隧道地表变形精度要求。     

基于时间序列分析的露天矿边坡沉降预测模型

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

基于小波去噪的高铁沉降预测模型研究

以武汉市某高铁的沉降观测数据为基础,对小波去噪前后的观测数据分别采用非线性曲线拟合模型和时间序列分析模型进行建模预测,并与实测数据进行比较分析.结果表明,观测数据经小波去噪后再进行建模分析,两种方法的预测精度都有很大改善,对高铁沉降变形预报有一定的实用价值.     

改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

对新陈代谢GM(1,1)模型所采用的灰色预测方法进行了改进,运用新的代数递推方程替代了原始的灰色微分方程,并利用某建筑物的沉降观测数据进行了预测与分析,结果表明,改进后的新陈代谢GM(1,1)模型的预测精度得到了显著提高。     

新灰色组合模型在沉降变形预测中的作用

提出以传统灰色模型、初始值修正值、背景值优化后的预测数据及组合模型预测值作为B样条曲线的型值点进行曲线拟合,得到新的灰色组合模型。新灰色组合模型能够在一定范围内更好地反映沉降序列变化的曲线,获得较好的预测效果。该方法既保留了灰色模型的短期预测精度高的特点,也具备了B样条曲线局部性、连续性的特点。实例计算结果表明,该新灰色组合模型预测效果能够更加逼近实际沉降序列,较单一传统模型预测精度高,能够达较好的预测效果。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

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。     

改进灰色马尔科夫模型在基坑预测中的研究

基坑预测问题关系到工程施工的安全,在施工过程中对基坑进行周密的监测和变性预测分析显得尤为重要。针对传统预测模型存在固有偏差和可靠性低的缺点,采用新陈代谢的原理对无偏灰色加权马尔科夫模型进行改进。该模型先用无偏灰色模型拟合系统的总体变化趋势,然后,对拟合残差进行马尔可夫状态划分,并根据各阶权重对不同步长的转移矩阵进行加权处理,用加权后的无偏灰色马尔科夫模型进行预测。在每一步的预测中,利用新陈代谢的原理不断更新建模所使用的数据。将该模型用于基坑沉降预测,并通过实例进行验证。实验表明:基于新陈代谢的无偏灰色加权马尔科夫模型提高了基坑沉降预测的精度和可靠性,预测精度与未改进模型相比提高了8.54%。     

基于小波分析与奇异谱分析的RBF神经网络模型预测

小波分析和奇异谱分析都可以作为处理含有噪声数据的方法,这两种去噪方式都可以消除数据中的噪声。基于两种数据处理方法,RBF神经网络预测隧道地表沉降数据的组合预测比单个模型的预测精度高,可获得更好的预测效果,为隧道监测安全提供可靠的参考。     

基于小波去噪的非等间隔变形监测数据GM(1,1)预测方法研究

在小波去噪和非等间隔GM(1,1)的基础上提出基于小波去噪的非等间隔GM(1,1)组合模型的预测方法,并且通过矿区实测数据模拟实验对三种方法进行对比分析。结果表明,小波去噪的模拟精度高于非等间隔GM(1,1),组合模型的预计精度高于单独使用非等间隔GM(1,1),验证了该方法的实用性和可靠性。     

基于灰色神经网络模型修正矿区地表变形数据

针对矿区地表变形数据间断缺失的现象,分析了矿区地表变形数据特点,提出了一种灰色神经网络组合模型对间断数据进行预测。首先,利用非等间距灰色模型计算灰预测平面,再采用BP神经网络模型对预测平面区间进行加权组合,得到最终的预测值。实验表明:灰色神经网络组合模型预测精度高于灰色模型,对矿区地表变形数据处理的适应度更高。     

小波时间序列分析在高铁沉降变形中的应用

采用小波时间序列预测模型,建立基本思想和实现步骤,结合某高铁沉降监测数据,利用db3小波对原始数据进行去噪,在此基础上,建立了AR(2)模型,与运用时间序列方法所求出的预测值,进行比较分析,结果表明,采用小波时间序列预测模型,求出的预测值精度更高,具有很强的实用性。