基于小波包分解-模糊神经网络的混凝土路面路基沉降预测

在混凝土公路路基施工过程中,为了控制施工进度,同时保证路基的稳定与适用,需要对路基沉降进行监测,并通过已有沉降数据推测后续沉降数值。本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络强大的记忆性,建立沉降预测模型。通过小波包对沉降数值序列进行分解,得到不同属性和频率的沉降序列,分别通过模糊神经网络对各个子序列进行预测,将子序列预测结果叠加得到预测结果。     

小波时间序列在广州地铁沉降监测数据处理中的应用

论文结合小波分析和时间序列分析的基本原理,提出了小波时间序列模型,并将该模型应用于广州市地铁建设工程沉降监测的预测工作,结果表明该模型具有粗差探测、剔除和抗差干扰的优点,同时比常规模型更具有预测的应用价值。     

基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

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。     

建筑物沉降动态预测方法的研究

本文简述了时间序列分析的理论 ,并运用核理论 ,提出一套建筑物沉降建模方法 ,进行动态预测建筑物沉降的发展。通过例算 ,证明该种建筑物沉降动态预测方法的正确性     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

小波支持向量机在建筑沉降预测中的研究

结合支持向量机模型和小波框架理论,建立了沉降预测模型,并对杭州市某小区的危旧建筑物进行了沉降预测,结果表明该模型预测精度较高,可以较好地预测建筑物沉降的发展趋向,适用于建筑沉降预警工作。     

GM(1,1)模型在建筑物沉降监测中应用

结合某建筑物沉降监测数据,运用灰色预测GM(1,1)模型,探讨该建筑物沉降的动态变化规律,为其安全性诊断提供必要的信息。与实测结果对比表明,GM(1,1)模型对其沉降趋势符合度较高,验证了灰色GM(1,1)预测方法在建筑物沉降监测中应用的可行性和可靠性。     

基于TCN与SVM组合模型的建筑沉降预测

针对基坑周边建筑沉降序列随时间和因其他影响因素呈现的非平稳性变化特征,提出一种基于TCN与SVM的短期沉降组合预测方法。该方法利用串联组合的方式,将沉降序列看作自相关的时间序列和受外界影响的非线性部分的组合,再利用TCN与SVM模型对两部分分别进行预测,最后将两部分叠加后得到沉降数据预测结果。结果表明,TCN-SVM组合预测模型能够很好地跟踪建筑沉降变化,其预测精度比单一SVM模型提高10%～20%,可有效提高短期建筑沉降预测精度。     

改进的灰色模型在建筑物沉降预测中的应用研究

针对目前灰色模型在建筑物沉降预测中存在的问题,提出了一种通过改善原始数据序列的光滑度来提高灰色模型预测精度的方法,并以某建筑物沉降为例,验证该改进算法的可行性,结果表明改进算法的灰色模型在处理该类数据上更加具有一定的优势。     

GM（1，1）模型在高层建筑物沉降监测中的应用

详细地介绍了GM(1,1)模型及模型精度评定,利用GM(1,1)灰色模型和回归模型对宜昌均瑶国际广场的沉降进行预测,将预测结果进行对比,分析表明GM(1,1)灰色模型能较好地预测该建筑物的沉降趋势。     

改进GM-BP神经网络模型的高层建筑沉降预测

伴随高层建筑的大量兴建,在建设施工过程中,定期观测高层建筑的沉降,分析其未来的沉降变化规律以及趋势,对确保建筑物安全以及人民生命财产安全具有重要意义.为科学预测建筑物在施工中的沉降,在结合等维新息GM(1,1)模型和BP模型优点的基础上,建立改进GM-BP组合模型,通过挖掘和更新原始数据序列的内部信息,提高预测精度.实例应用表明:改进GM-BP组合模型的精度高于单一模型,预测精度明显提高,可为采取相应预防或处理措施提供科学依据.     

小波神经网络在高铁沉降预测中的应用研究

通过试验研究,成功将小波神经网络模型应用到高铁沉降预测当中,并通过实测数据比较了当前主流使用的几种模型,结果表明小波神经网络模型具有良好的拟合精度和预测效果。通过编写高铁沉降预测软件,证明了小波神经网络模型的可行性,并得出了一些有益的结论,供同行参考。     

用小波神经网络预测深基坑周围地表的沉降量

将小波神经网络应用于深基坑周围地表沉降的预测,提出了一种有效的预测方法,并构造了预测沉降的小波神经网络模型。预测结果表明,该方法收敛速度快、预测精度高,为预测深基坑周围地表沉降量的一种实用方法。     

基于灰色神经网络算法的测量数据处理

本文研究了灰色神经网络的建模原理,然后通过GM(1,1)模型和等维新息灰色神经网络模型计算建筑物沉降观测数据,包括等间距时间数据序列和非等间距时间数据序列,分析试验结果,灰色神经网络模型的结果精度高于灰色理论模型的精度。     

长兴岛产业园区电力需求多时序预测技术研究

针对长兴岛海洋产业园区内主要典型用户负荷数据进行了负荷特征刻画,针对用户的用电负荷特性,提出了基于多时空的用电负荷预测模型,通过小波分解将负荷数据分为趋势分量、季节分量、周期分量和随机分量,对趋势分量利用线性回归的方法进行负荷预测,对季节分量和周期分量采用时间序列分析预测模型,对随机分量利用随机森林负荷预测模型,从而大大提高了负荷预测的精确度与泛用性。     

基于小波变换遗传过程神经元网络的交通流预测

针对短时交通流时间序列的缺点,应用小波变换理论,将含有综合信息的时间序列分离为低频确定信号和高频干扰信号,用遗传过程神经元网络分别进行预测,得到了原时间序列的实际预测结果,通过实测数据验证表明,该预测方法具有较好的预测精度。     

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。     

建筑物差异沉降的时间序列分析与预报

从时间序列分析的基本原理和方法出发,结合建筑物变形监测的关键技术指标差异沉降量的实例分析,给出了时间序列数据平稳化处理、模型定阶的统计检验、模型参数估计以及预报分析的方法,建立的时间序列自回归模型拟合与预报精度较高,为建筑物的地基处理及运营安全提供可靠的决策依据。     

竖井开挖引起地表沉降时空变化趋势研究

对竖井开挖引起的地表沉降时间序列自相关系数的计算分析表明,这些时间序列具有非平稳性特征,即地表沉降量存在确定性趋势。对于竖井开挖引起的地表沉降,时间和空间是不可分割的两个变量,把沉降量的确定性趋势δ、时间t及空间x三者建立起相应联系,构建三者的函数关系模型:δ=f(x,t),使之能预测预报施工引起的地表沉降。