基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

城市需水量预测方法比较

为了提高城市需水量预测的精度,基于北京市2000—2011年的实际用水量数据,对比分析了BP神经网络预测模型、灰色GM(1,1)模型、非线性趋势模型和灰色-神经-趋势组合预测模型及其基于马尔科夫修正的各单项模型需水量预测结果。结果表明:组合预测模型优于各单项模型,基于马尔科夫修正的各模型优于各未修正预测模型。基于马尔科夫修正的灰色-神经-趋势组合预测模型预测精度最高、效果最好。     

基于BP神经网络-马尔科夫链模型的隧道围岩位移预测

在隧道工程施工中,围岩位移预测起着很重要的作用。将BP神经网络-马尔科夫链模型引入到隧道围岩位移预测中来,通过对训练样本的学习,利用BP神经网络实现了对位移时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某公路隧道拱顶下沉位移时序预测中,结果表明该模型具有精度高、科学可靠的特点,为隧道围岩变形的预测提供了新的途径。     

基于神经网络模型的降水量预测研究

采用BP和Elman神经网络分别建立预测模型,并以盐城市大丰区连续27年的降水资料为实例对预测模型进行了具体的应用。结果表明:BP神经网络和Elman神经网络都可以有效预测降水量,但是BP神经网络模型预测精度要优于Elman神经网络模型,具有更高的稳定性和准确性。     

多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于GA-Elman的河流水位预测方法研究

河流水位的变化过程是一个复杂的非线性过程,传统的神经网络预测存在误差较大、收敛速度慢、稳定性差等问题。为了实现对河流水位的有效预测,提出基于遗传算法(GA)优化Elman神经网络的河流水位预测模型。将GA与Elman网络进行有效结合,解决了单一Elman网络存在的不足。选取永定河的监测站点水文数据对河流水位进行预测与检验,并分别将其与Elman网络与BP网络预测结果进行对比。对比结果表明:GA-Elman水位预测模型的收敛速度快、精度高,可根据预测结果实现对水库、拦河闸合理调用,实现对河流水资源的有效配置,以满足灌溉、发电、防洪等工作的需求。     

加权平均集成神经网络模型在城市需水预测中的应用

针对单一神经网络模型预测误差波动大、精度不高等问题,提出基于SVM、BP和Elman神经网络基本模型的加权平均集成需水预测模型。首先,利用相关分析和ADF单位根检验,选取需水预测主要影响因子。为避免模型过度拟合,引入虚拟维,并针对BP、Elman神经网络标准算法收敛速度慢、易陷入局部极值的不足,采用自适应动量算法改进BP和Elman神经网络标准算法,依次构建SVM、BP和Elman需水预测单一模型,并对上海市2002—2011年需水量进行预测;最后,基于加权平均方法对各单一模型预测结果进行综合集成。结果表明:利用加权平均集成模型对上海市2002—2011年需水量进行预测的平均相对误差绝对值为1.8004％,最大相对误差绝对值为3.6995％,精度和泛化能力均大幅优于各单一模型。说明本研究建立的加权平均集成模型用于需水预测是合理可行和有效的,它综合了各单一模型的优点,有效避免了单一模型预测误差过大和不稳定的缺点,具有预测精度高、泛化能力强、误差变化幅度不大等特点。     

基于神经网络误差修正灰色模型的基坑位移预测

一般情况下,基坑工程位移的发展趋势可以分为3种类型,传统GM(1,1)模型由于模拟曲线为指数曲线,因此只适合于第1类趋势的位移时间序列建模。在无偏GM(1,1)模型的基础上建立修正曲线型无偏灰色预测模型和生长曲线型无偏灰色预测模型,适合于第2、3类趋势的位移时间序列建模。结合神经网络的非线性描述能力以及无偏灰色预测模型的趋势预测能力建立神经网络误差修正灰色模型。基坑位移预测实例应用结果显示,神经网络误差修正灰色模型能很好地描述基坑位移的非线性发展。     

基于神经网络的基坑变形动态预测研究

基坑开挖过程中,需要根据实际情况及建筑安全等级进行严格的变形控制,有效的变形预测能更好地指导施工。根据某基坑工程现场监测数据,应用MATLAB 7神经网络工具箱,建立了基于BP网络的基坑变形多步预测模型A和动态预测模型B,并与广义回归网络建立的模型对比。结果表明,动态预测的精度明显高于多步预测模型;在变形数据随时间递增的情况下,BP神经网络比广义回归网络动态预测精度高,泛化能力强,平均预测误差约3.3%,能满足实际工程要求。更多还原     

基于改进GWO-BP神经网络模型的箱涵沉降预测

箱涵受外部荷载等多方面影响,会出现一定程度的不均匀沉降,可能会对箱涵结构造成破坏,因此箱涵地基沉降预测十分重要。引入灰狼算法(GWO)对BP神经网络的权值和阈值进行寻优,建立了基于改进的GWO-BP预测模型,对箱涵的沉降值进行预测。将该预测模型应用于南水北调工程天津某标段的箱涵沉降预测,并将预测值与实测值进行对比,相对误差在5%以下。通过与未改进的灰狼算法优化BP神经网络模型、BP模型进行对比,结果表明改进的灰狼算法优化BP神经网络预测模型具有更好的寻优能力与寻优精度,能够有效地对箱涵沉降值进行预测。     

基于尖点突变理论的高层建筑沉降变形预测分析

为建立一个全面且系统的高层建筑变形预测模型,本文首先利用卡尔曼滤波对变形数据进行去噪处理,分离出趋势项和误差项,再利用GA-BP模型和LS-GM(1,1)模型对趋势项进行预测,并通过组合得到趋势项预测值;其次,利用马尔科夫链对累计误差序列的进行修正,进一步提高预测精度;最后,利用尖点突变理论对高层建筑的稳定性进行评价,以验证预测模型的有效性。结果表明:半参数型卡尔曼滤波具有较好的滤波效果,且在趋势项的预测过程中,通过对BP神经网络的优化将平均预测精度由4.02%提高到了2.44%,而优化GM(1,1)模型则将平均预测精度由4.29%提高到了2.76%,说明本文的优化方法切实可行。通过误差修正,验证样本中的最大相对误差仅为1.63%,说明误差修正模型达到了进一步提高预测精度的目的,尖点突变理论的分析结果与预测结果相符,均得出高层建筑处于稳定状态,其后期变形将会持续减弱。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

组合预测及R/S分析在基坑变形趋势判断中的应用研究

在基坑的现代化信息施工过程中,通过建立有效的预测模型,对基坑的变形趋势进行准确的预测,能有效地指导施工,避免工程事故的发生。为实现这一目的,首先,采用GM(1,1)、支持向量机和BP神经网络模型对基坑的变形进行单项预测,并建立了基坑的定权和非定权组合预测模型;其次,利用R/S分析,对基坑的变形趋势进行判断,以验证基坑变形预测的有效性。结果表明:通过组合预测,有效地提高了预测结果的精度及稳定性,其中以BP神经网络组合预测的效果最优,实测值与预测值之间能较好地吻合;同时,基坑具有持续变形的趋势,变形将进一步增加,且在后期的稳定性具有减弱的趋势,与预测的结果一致。通过研究,验证了组合预测及R/S分析在基坑变形趋势判断中的有效性,这为基坑变形预测及趋势判断提供了一种新的思路。     

Elman神经网络模型在水质预测中的应用

基于Elman神经网络基本原理和方法,以曲靖市潇湘水库总氮预测为例,采用SPSS软件分析总氮与环境因子的相关性,选取与总氮显著相关的pH、DO、NH_4~+-N、NO_2~--N、NO_3~--N和透明度作为网络输入,总氮作为输出,构建单、多隐层Elman神经网络水质预测模型,并构建RBF、GRNN神经网络水质预测模型作为对比模型。结果表明,单、多隐层Elman神经网络水质预测模型泛化能力强,预测精度高,算法稳定,预测精度随着隐层数的增加而提高。单、多隐层Elman神经网络模型均可用于水质预测预报,可为水质预测预报提供新的途径和方法。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

BP神经网络和灰色系统预测模型在深基坑地表沉降中的应用

简单地介绍了BP神经网络与灰色系统GM（1,1）模型原理,并利用MATLAB语言及其工具箱,结合某深基坑工程的地表沉降监测数据编制了预测预报程序,实现了地表沉降数据的预测预报。分析了这2种模型的预测结果。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。