基于GM-BP神经网络的校园建筑能耗预测

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响,通过建立GM-BP神经网络组合预测模型,借助MATLAB软件完成建模和仿真环节,对建筑能耗开展预测分析研究。同时,引入最大相对误差绝对值Emax、平均相对误差Eave和均方根误差RMSE 3个性能指标对各预测模型性能进行评价。结果表明,组合模型较单一的GM(1,1)模型和BP神经网络模型预测精度更高,拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。     

新陈代谢GM（1，1）模型在建筑物沉降预测中的应用研究

本文针对传统GM（1,1）模型存在的不足,建立了新陈代谢GM（1,1）沉降预测模型。并以某建筑物沉降为例对比两模型的预测值,结果表明新陈代谢GM（1,1）模型在处理该粪数据上更加具有一定的优势。     

基于小波去噪的灰色GM(1,1)与RBFNN在变形预测中应用

应用小波去噪的新陈代谢GM(1,1)模型和小波去噪的RBFNN组合模型对两个实例进行处理和预测,结果表明组合模型预测结果优于单一模型,RBFNN预测模型的预测精度受噪声影响明显,而新陈代谢GM(1,1)预测模型对于短期预测具有较高的精度,且预测精度在噪声较小的情况下不受噪声影响。     

灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

新陈代谢GM（1,1）模型在河流水质预测中的应用

针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测,预测结果显示:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可信度。     

改进灰色预测模型在城市用水量预测中的应用

为提高城市用水量的预测精度,分析了GM(1,1)模型和灰色Verhulst模型,同时由于GM(1,1)模型存在一定的缺陷,本文对基本GM(1,1)模型进行了新陈代谢改进,最后通过对实例的预测分析,改进灰色预测模型预测精度更高。     

4种GM(1,1)模型在基坑变形监测中精度比较

针对传统的GM(1,1)模型难以确定模型的初始值问题,结合常州雅居乐基坑项目,建立了4种基坑水平位移预测模型。结果表明:改进初始值的新陈代谢GM(1,1)模型精度较GM(1,1)模型、新陈代谢GM(1,1)模型以及改进初始值的GM(1,1)3种预测模型精度更高,更符合基坑水平位移的预测。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测,计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

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.     

改进背景值的新陈代谢GM(1,1)在变形预报中的应用

文献[1]根据GM(1,1)模型的指数特性,通过在其白化微分方程区间上求积分推导出了背景值的一个计算公式.本文在此基础上,利用该公式建立了新陈代谢GM(1,1)模型.实际算例表明由此建立的新陈代谢GM(1,1)模型的预测结果高于传统背景值下的新陈代谢GM(1,1)模型,表明了改进背景值的新陈代谢GM(1,1)模型合理性,其可用于测量数据处理中的变形分析预报.     

灰色理论和BP神经网络理论在地铁深基坑变形预测方面的应用

地铁深基坑变形是影响地铁建设的重要问题之一。针对地铁深基坑变形众多影响因素所具有的不确定性、模糊性以及深基坑变形的非线性特点,基于灰色系统理论和人工神经网络理论,分别采用灰色GM(1,1)模型、BP神经网络模型和灰色-BP神经网络组合模型对某地铁深基坑地表土体沉降进行预测分析,并将预测数据与实测数据进行对比,得出各模型预测精度。工程实例分析表明,灰色GM(1,1)模型预测精度最低,BP神经网络模型次之,灰色-BP神经网络组合模型由于集合了灰色GM(1,1)模型和BP神经网络模型的优点,预测精度最高,满足工程应用要求,对安全施工具有一定的指导作用。     

基于灰色神经网络模型的基坑变形预测研究

结合灰色GM(1,1)模型和BP神经网络模型各自的优缺点,建立了灰色神经网络组合模型,并采用该模型对实际的监测数据进行处理和分析.结果表明,灰色神经网络充分发挥了灰色模型和神经网络模型的优势,取得了较好的预测精度,能够满足实际应用的需要.     

基于Kalman滤波的改进灰色模型在基坑变形监测中的应用

变形监测数据由于其离散性、高噪声等特点,使得监测数据呈现一定的波动性、随机性,为了对监测体的稳定状态及变形趋势做出更加准确的分析,本文拟采用Kalman滤波+新陈代谢GM(1,1)模型组合方式,利用Kalman滤波对原始监测数据滤波消噪,并结合新陈代谢GM(1,1)模型对变形趋势项进行建模分析,来预测变形趋势。结合实际案例分析,基于Kalman滤波的新陈代谢GM(1,1)相比于传统的单一GM(1,1)、ARMA模型,有效降低了观测噪声影响,并具有更高的预测精度。     

明挖隧道基坑周边建筑物沉降预测研究

基于济南市济泺路穿黄隧道工程,研究了BP神经网络和灰色GM(1,1)模型分别对隧道开挖影响周边建筑物沉降的预测。BP神经网络模型和灰色系统模型预测深基坑周围建筑物沉降,均能够取得较好的预测结果;对建筑物的沉降量进行中长期预测时,BP神经网络模型更适合进行预测;灰色GM(1,1)模型的特点需使用的实测数据少,该模型适用于短期预测,在监测数据较少时能够发挥较好作用。     

建设工程造价指数预测研究北大核心

建设工程造价指数是反映工程价格波动的重要指标,是进行工程造价管理的重要依据。针对灰色预测模型和人工神经网络的局限性,在引入适用性更强的随机振荡GM(1,1)模型和蚁群改进BP神经网络的基础上,提出将两者融合的组合循环模型并进行实证分析验证,为准确预测工程造价指数提供借鉴。     

建设工程造价指数预测研究

建设工程造价指数是反映工程价格波动的重要指标,是进行工程造价管理的重要依据。针对灰色预测模型和人工神经网络的局限性,在引入适用性更强的随机振荡GM(1,1)模型和蚁群改进BP神经网络的基础上,提出将两者融合的组合循环模型并进行实证分析验证,为准确预测工程造价指数提供借鉴。     

几种预测模型在变形监测数据处理中的应用

通过某高层建筑物沉降监测数据,对比分析了GM(1,1)模型、新陈代谢GM(1,1)模型、最优化背景值的新陈代谢GM(1,1)模型和灰时序GM-AR模型的预测精度,得出了GM-AR模型对建筑物沉降预测效果更好的结论。     

基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。