基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

LS+AR组合模型在大坝变形预报中的应用

针对大坝变形监测数据的年周期性特点,建立了大坝变形监测序列的拟合外推模型,提出了利用最小二乘外推(LS)与自回归(AR)组合模型预报大坝变形监测数据的方法。通过实验比较说明,LS+AR组合与AR模型相比,在大坝变形监测的预报精度上有一定程度的改善。     

基于线性分析及AR模型在GNSS时间序列中的应用

GNSS技术是现代测量技术的代表。为了提高GNSS时间序列的精度,本文利用时间序列线性分析的方法,探测分析时间序列存在的趋势项、周期项以及复杂程度。利用线性拟合方法获取了3个方向的拟合函数;自相关和偏自相关函数探测出时间序列存在周期项和趋势项;应用AR(p)模型对时间序列进行了短期预测分析,通过模型定阶、估计,确定了AR(2)为最佳的预测模型,随着预测步数的增加,预测精度逐渐降低。     

pGM(1,1)模型在变形预测中的应用

分析了GM(1,1)模型在背景值取值上的不足,提出了一种基于权的pGM(1,1)模型.通过模型比较,表明pGM(1,1)模型具有更好的预测效果,并用该模型进行了实际的变形预测.     

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。     

基于平稳自回归模型的地表移动变形预测

采用AR(p)模型描述随机过程本身观测数据之间的相互关系,根据实测数据建立随机预测模型,对后三期变形量进行预报,并与实测数据进行比较,预报效果良好。     

多项式曲线拟合与AR模型在沉降预测中的应用

将多项式曲线拟合和AR(p)模型应用到地表沉降预测实例中。通过实测沉降数据与预测数据的对比分析,从而对两种模型预测的准确性进行比较,实验表明两种模型在沉降预测中具有很好的适用性。     

基于极大熵和小波的时间序列数据预测研究

在极大熵准则的基础上,以苏州虎丘塔的历史形变观测数据为例,进行时序数据的预测分析。研究不同的样本数据选择原则对预测效果的影响。然后在一致的样本基础上,得到基于不同的模型参数估计方法的时序数据预测曲线,并通过小波的去噪分析进行不同曲线之间优劣的比较。结果表明,在1985年到2000年期间,塔体的变形周期在不断的延长,但总体而言,塔体的变形是在不断的加剧。而基于极大熵参数估计法的AR(p)模型能对实际的观测曲线有很好模拟和预测效果,选择均匀步长的样本数据对提高模型预测精度是很重要的。     

变形分析中AR模型的精化

在变形分析中,为了考虑输入信号对变形体的影响及模型误差的干扰,提出顾及输入信号影响的半参数AR模型,并通过实验分析取得较好的建模和预报效果,达到对现有AR模型精化的目的.     

自回归预测模型变权组合定阶

针对自回归(AR(p))预测模型定阶问题中回溯阶的不确定性和时变性,以及基于单一回溯阶预测方法的局限性和组合预测中的冗余信息等问题,该文提出了一种基于遗忘因子的变权组合定阶方法。利用冗余定理筛选基于多个回溯阶预测方法的有效信息,并利用遗忘因子实现了组合权重的时变性,克服了基于单一回溯阶预测模型稳健性欠缺、预测精度低等局限性,提高了预测能力。通过实例表明该算法具有高度的可靠性和可行性,为类似预测方法的定阶问题提供了研究思路。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

小波分解下的变形预报组合模型

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%。     

小浪底水利枢纽大坝变形的灰色预测模型

在分析大坝变形预测方法的基础上,首次运用灰色理论和方法通过模型的建立、模型精度检验过程得出用于预测大坝变形的GM(1,1)模型,并用该模型对小浪底水利枢纽大坝坝顶视准线部分监测点的变形量进行了预测,预测取得比较满意的结果,证明此模型在实际工程中应用是可行的,同时为大坝安全运行提供了重要的依据。     

基于小波分析回归模型的大坝监测数据处理

为了克服回归模型的一些缺点,将小波分析引入到回归模型里面,建立一种混合模型。本文通过介绍回归模型和小波变换,建立小波回归的混合模型,介绍建模的流程,通过小波变换来优化监测数据,再得到回归模型的估计函数。通过与回归模型的比较分析,说明这种混合模型较优的分析效果,更好的预测精度。     

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。