基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

基于小波去噪的高斯过程回归模型在面板堆石坝沉降预测中的应用研究

引起面板堆石坝沉降变形的环境因素复杂,观测数据呈现出明显的噪声干扰特性,限制了数学模型拟合及预测的精度。对原始信号进行小波变换可有效分解其中的有用信号和噪声,因此,引入小波变换理论建立了基于小波阈值去噪的数学模型,并对面板堆石坝(CFRD)的沉降变形实测数据实施去噪,再对去噪后的数据进行高斯过程回归(GPR),建立了预测堆石坝沉降变形的模型。依托CFRD的实测沉降变形资料,采用Wavelet-GPR模型对大坝沉降进行了拟合与预测,并与未进行去噪的GPR模型计算结果进行对比。结果表明：Wavelet-GPR模型观测值与预测值的残差符合正态分布,去噪后学习段的均方根误差(RMSE)由0.928 7 mm减小至0.457 7 mm,平均绝对误差(MAE)由0.485 0 mm减小至0.330 6 mm;预测段的RMSE由1.308 9 mm减小至0.917 6 mm,MAE由0.926 3 mm减小至0.730 3 mm;且去噪后模型的样本观测值个数在其预测值95%置信范围内的占比有明显提升。因此,利用小波阈值去噪对实测沉降数据进行降噪处理能够降低噪声导致的数据观测值与真实值之间的误差,Wa...     

基于小波神经网络的基坑沉降预测方法研究

深基坑监测会对周围邻近建筑物造成影响、进而导致其沉降。而对深基坑相邻建筑物实施沉降监测有助于控制基坑开挖,能够及时发现沉降危害。为提高深基坑相邻建筑物沉降预测的精度,提出了一种小波神经网络模型并以其前4期的监测数据预测后1期的累积沉降量。通过5个沉降监测点、近2 a时间的监测数据,对比了自回归模型和小波神经网络模型的预测精度,结果表明：小波神经网络模型的短期预测精度优于自回归模型,其长期预测精度与自回归模型相当。小波神经网络模型的稳定性好,且其预测精度不会随着时间的推移而衰减。对于变形特征较复杂的监测点仍能够取得较高的精度,能够为各类复杂的基坑变形预测提供有效且可靠的指导。     

小波变换结合BP神经网络进行径流预测

对BP神经网络和小波变换结合BP神经网络这两种方法在径流预测方面做了一些比较,认为在缺乏降雨、温度等相关资料的情况下,单从径流资料出发用BP神经网络进行径流预测,效果并不理想;而通过小波变换把径流序列分解为多个频率成份的叠加,再由神经网络对小波系数进行预测,最后重构出预测的径流序列的方法取得的效果较好.同时还就小波变换结合BP神经网络方法,比较了不同网络结构对径流预测效果的影响,其结论可作为对径流序列预测研究的一种参考.     

基于小波变换的降雨时间序列去噪方法研究

小波变换在降雨时间序列数据的去噪方面具有显著的优势,可有效提高降雨时间序列预测的准确性。为确定降雨时间序列小波去噪过程中小波基函数、分解尺度以及阈值估计方法的选择,实现最优去噪,以国家气象科学数据中心2008～2018年的日降雨时间序列为基础数据,以中国5个不同气候类型的省份为研究区域,基于复合指标T对57种小波基函数的去噪效果进行评价,并评价去噪过程中可能的分解尺度和常用阈值估计方法。结果表明：7～10阶的Daubechies小波是去噪效果最好的小波基函数组,最小T值在0.326 4～0.422 8之间,Symlets小波族的去噪效果最差;最优的分解尺度为3级,最小T值范围为0.184 4～0.252 6;混合阈值和Steins无偏风险估计阈值的去噪效果最好,最小T值在0.377 3～0.435 9之间。研究成果可为中国境内降雨时间序列和其他水文气象时间序列的去噪方法提供参考。     

改进的小波去噪算法与SSA预测模型在地铁监测中的应用

为了有效去除地铁形变监测信号的噪声,提高形变监测精度,提出了一种以1/2噪声幅度为阈值的小波去噪算法,对地铁形变实时监测信号进行去噪。结果表明,与硬阈值法、软阈值法和可调参数阈值函数法相比,1/2阈值函数法去噪效果更好,平均SNR为24.627dB,与硬阈值法、软阈值法、可调参数阈值函数法相比分别提高了3.15%、3.12%、1.07%;平均RMSE为0.23mm,与硬阈值法、软阈值法、可调参数阈值函数法相比分别提高了10.07%、6.47%、4.32%。采用奇异谱分析(Singular Spectrum Analysis, SSA)预测模型对监测数据进行了预测,预测精度,平均MAE为0.24mm、RMSE为0.26mm,就RMSE值而言,较BP神经网络提高了16.45%。     

基于小波分析以及ε-SVR的隧道围岩位移时序预测

根据龙滩地下洞室围岩现场长期的观测数据,利用小波变换阈值去噪法对数据信号的高频系数进行量化处理,恢复原有的监测信号。实例结果表明,小波变换阈值去噪法能够有效地去除噪声的影响,获得围岩变形的真实信号。同时将去噪后的数据用于支持向量机(ε-SVR)建立时序分析模型中,并与GA-BP模型进行对比,结果表明ε-SVR模型的误差更小,预测效果更佳。更多还原     

水电机组振动信号小波去噪参数优选方法研究

水轮机组振动信号在采集、传输和处理过程中不可避免地会引入噪声,要进一步处理信号必须进行去噪处理.小波去噪过程中小波和分解层数对去噪效果有很大影响,通常都按经验选取.本文提出一种针对具体水轮机组振动信号去噪时选择最优小波基和分解层数的方法.最终确定采用Db4小波分解5层对某机组上机架振动信号进行去噪,取得了良好的效果,分析得到最终去除的噪声为白噪声.     

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。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于小波神经网络的朝阳降水预测模型研究

本研究立足于朝阳地区1970—2010年的降水资料,利用MATLAB平台运用小波神经网络降水预测模型对朝阳地区降水量进行预测研究,并将该结果分别与真实值、BP神经网络预测结果对比分析,结果发现:基于小波神经网络的降水量预测模型取得了较高的预测精度,弥补了神经网络预测模型的缺点,减少了迭代次数,能够客观的反应朝阳地区降水情况且方法直观,为朝阳地区的降水量预测提供了较为有效的方法。     

基于小波变换的隧道大变形组合预测方法

为提高隧道变形预测精度,首先,探讨不同小波变换参数的去噪效果,并将隧道的变形数据分为趋势项和误差项;之后,对趋势项和误差项进行单项预测和组合预测,对比分析本文预测结果,研究本文预测模型的有效性。结果表明:sym8小波函数在采用软阈值选取方法、启发式阈值标准及8层小波分解时的去噪结果最优。采用剔除最大误差倒数法通过对趋势项及误差项进行组合预测可知,趋势项组合预测、误差项组合预测较其单项预测的预测精度分别提高了2.5~3.5倍、4.0~5.4倍,达到了提高预测精度的目的,且也不同程度地提高了预测结果的稳定性。通过对本文预测模型的实例分析,验证了本文预测思路的可行性和有效性,预测结果满足大变形预测的要求,具有较高的可行度。     

基于BP神经网络的大坝沉降预测模型

以某大坝沉降监测数据为例,利用Matlab软件的BP神经网络工具箱进行建模分析和预测。结果表明,滚动BP神经网络算法能较好地应用于大坝沉降数据的预测,具有良好的应用前景。     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于BP神经网络的义乌市降水量预测

水资源已经极大地制约了义乌市的经济发展,对义乌市降水量的预测,意义十分重大。BP神经网络具有自学习、自组织和容错性等一系列优点,用其来进行降水量预测是可行的。经过多次试预测,选出12月NINO-3区海表平均温度作为预测因子,义乌市5—6月的降水总量为预测对象。将1981—1999年12月NINO-3区海表平均温度的数据作为网络训练样本,2000—2002年义乌市5—6月的降水总量作为测试样本。网络测报结果平均误差为15.90%,预报情况良好。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

小波去噪在变形监测数据处理中的应用

阐述了小波去噪的基本原理,通过实例证明了小波变换可实现对GPS变形监测数据的有效去噪,是一种可靠的分析方法。     

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...     

基于小波去噪的苏通大桥索塔GPS监测数据分析

GPS技术以其全天候、高精度、高频性以及实时性等优点被广泛应用于大型桥梁结构或是工程的动态监测中。然而由于受各种因素的影响监测数据中不可避免地会含有粗差与噪声,这些粗差与噪声的存在势必影响对监测数据的处理与分析。为了消除或削弱粗差与噪声对分析结果的影响,依托苏通大桥索塔GPS监测数据,分析比较了小波分析与莱茵达准则法两种方法探测粗差的效果,鉴于二者的优缺点,提出小波变换、去噪与莱茵达准则相结合的方法,探测粗差的同时提取趋势项,并采用实测数据验证分析了该方法的有效性。最后在时间域里分析了索塔动态监测数据,得到一些具有参考价值的结论。     

基于格拉布斯准则的小波阈值去噪算法研究

在小波去噪理论的基础上,应用格拉布斯准则对各层分解系数的阈值进行选取,改进了小波系数阈值估计的模型,并结合实例进行了计算分析。