基于LSTM-GM神经网络模型的深基坑沉降变形预测

针对基于少量样本的长短记忆时(LSTM)神经网络深基坑变形预测精度较低的问题,提出组合的LSTM-GM预测模型,并运用于地铁深基坑变形预测。将LSTM预测结果的波动项,采用灰色模型(GM)对波动项进行循环预测,满足阈值则完成循环。通过3组不同样本数据的实验,结果表明组合模型在少量样本情况下预测精度高于LSTM模型。此外,将该模型与适用于深基坑变形预测的BP神经网络预测模型和支持向量机(SVM)预测模型对比,分析发现组合模型结合了LSTM预测模型和GM预测模型的优势,拥有更好的预测效果,预测结果趋势符合实际。     

加权组合模型在路基沉降预测中的应用

基于双曲线模型和灰色模型,采用误差绝对值加权和最小的准则,借助MATLAB软件计算加权平均数,创建了新的加权组合模型,并对某高速公路路基的沉降变形进行了预测分析.理论分析和实测结果表明,加权组合模型较前两种模型预测误差降低,得到了满意结果.新模型的提出为路基沉降变形预测提供了新的思路和方法.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于非等间距灰色模型和Elman神经网络的轨道质量预测

轨道质量是影响行车安全的关键因素,合理预测轨道质量可以有效指导铁路工务部门进行轨道养护和维修.轨道质量指数(Track Quality Index,TQI)是综合评价单一区间段内轨道质量的参数.本文通过深入研究TQI的发展趋势,提出一种将非等间距灰色模型和遗传算法优化Elman神经网络相结合的预测方法.首先利用优化后的非等间距灰色模型GM(1,1)得到原始TQI序列的大致发展趋势,然后为了描述轨道质量发展中各因素之间复杂的函数关系,利用遗传算法优化后的Elman神经网络对初步预测结果进行残差校正,从而得到更为准确的TQI预测序列.新方法将轨道质量发展趋势中的随机波动成分纳入方法考虑范围,充分挖掘了历史数据的发展规律.利用沪昆线上行实测TQI数据对本文方法进行验证,实验结果表明:新方法对轨道质量发展中的随机波动趋势拟合效果较好;对于轨道质量预测,在利用非等间距灰色模型进行初步预测基础上,使用Elman神经网络进行残差校正,由此得到的预测结果在均方根误差、相对系数、决定系数等多个统计指标上均优于其他方法.     

一种组合预测方法在人才需求预测中的应用

阐述了灰色动态模型与神经网络模型两种预测方法的原理、特点及应用,并把这两个模型应用于天津市汽车行业人才预测中,综合两种模型的特点,最后形成了一种组合预测方法,并得出天津市汽车行业2000年、2002年、2010年人才需求总量.     

GM(1,1)灰色模型在软基沉降预测中的应用

依托武穴长江大桥北岸接线段工程,根据沉降监测实测数据,采用三次样条插值方法将非等时距实测数据转换成等时距序列,建立等时距灰色GM(1,1)模型。利用matlab编程对模型进行计算,对处理后的软基沉降进行预测。利用经典的双曲线法和三点法分别进行沉降预测,并将预测曲线与基于等时距的灰色模型预测曲线进行对比,结果表明:灰色GM(1,1)模型预测精度更高,预测结果更可靠。基于等时距的灰色模型为软基处理后的沉降预测提供一种重要方法,对软基处理的施工具有一定的指导意义。     

非等间距灰色优化模型及其在基坑沉降预测中的应用

传统非等间距灰色模型通常采用非等间隔数据进行分段线性插值,从而求得等间隔序列;但是实际基坑沉降并不是线性变化的,利用此法生成的等间隔序列较实际数据存在较大误差.针对传统非等间距灰色模型缺陷,分别利用RBF神经网络插值与三次样条插值生成等间距序列进而求得模型参数,并运用优化的非等间距灰色模型对某基坑的沉降量进行分析预测.计算结果表明：优化后的模型具有更高的精度,故本模型可作为基坑沉降预测的一种新方法.     

GM(1,1)与Verhulst模型在地基沉降预测中的适用性比较

为比较灰色Verhulst模型和GM(1,1)模型在地基沉降预测中的适用性,对某工程实例复合地基的沉降进行分析,并与实测沉降数据进行对比.结果表明:灰色Verhulst模型比GM(1,1)模型更适用,Verhulst模型预测结果更接近实测值,预测精度也更高;Verhulst模型不仅能够预测最终沉降量,也能很好地反映全过程的沉降与时间的关系.两种灰色模型中,Verhulst模型预测精度高,更适合应用于地基沉降预测,值得在实际工程中推广运用.     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。