基于小波神经网络的天津市深基坑施工风险评价研究

通过提出风险评价的指标体系,并将小波去噪特性和神经网络的评价特性相结合,构建了小波神经网络模型,对天津市地铁6号线红旗南路换乘站进行风险评价。利用灰色关联度理论获得较大的风险因素,提出解决对策。旨在提供一种新的风险评价研究思路,为工程决策和防灾减灾提供科学依据。     

小波去噪在GPS数据处理中的应用

本文利用matlab编程将实际应用中采集的一组数据进行提取,提取GPS信号中的两颗卫星载波相位L1上的C/A码,通过不同历元间求出双差,再分别选取一定的小波基函数和选取特定的阈值对其进行小波分析去噪,通过信噪比、均方根误差作为小波函数和阈值选取的标准及去噪效果的评价标准,将获取的不同小波去噪结果进行对比,根据对比的结果确定选择哪种小波,选取何种阈值,确定小波函数和阈值以后,最后通过最新的一种评价指标——平滑度来确定最终去噪的效果。     

北方农村燃气日负荷预测的BP神经网络优化

在调研部分农村地区煤改气居民用户实际用气情况的基础上,建立了一种基于小波阈值去噪和采用遗传算法优化BP神经网络的短期燃气负荷预测模型(称为GA-BP神经网络预测模型)。以华北地区农村煤改气居民用户作为研究对象,对974户管道天然气居民用户2018年1月—2021年12月的日用气量进行采集。对采集数据进行小波阈值去噪处理,进行日负荷预测影响因素的选择及量化。将负荷预测影响因素和日负荷组成的数据集划分为训练集和测试集,对BP神经网络预测模型、GA-BP神经网络预测模型进行训练和测试。将两种模型的日负荷预测值与真实值进行对比,并将两种模型的评价指标进行对比,验证两种预测模型的准确性。研究结论如下。小波阈值去噪处理去噪效果良好,可用于燃气日负荷预测数据预处理。日平均温度、天气类型、节假日情况、前一日用气量、供暖情况是影响燃气日负荷预测的5个主要影响因素。有必要关注供暖过渡期的日负荷变化。这段时期温差变化大,用气情况复杂多变,对供气不确定性影响较大。对这部分的合理处理可以有效减小预测误差。日平均温度是影响农村居民用气非常重要的因素。遗传算法对BP神经网络的优化,可以很好地为网络初始权值和阈值的确...     

小波分析去除地震资料高频干扰的研究

利用MATLAB小波分析工具箱,选用db4小波基函数、软阈值函数对实际地震资料进行五层小波去噪,通过对比分析四种小波阈值的去噪结果,指出启发式阈值函数可以较好的实现地震信号的去噪,去噪后的地震震相易于识别,有助于准确的分析研究地震信号。     

小波神经网络在大坝变形预报中的应用

大坝变形统计模型以回归模型为主,建立变形量与自变量间的线性关系。神经网络变形预报模型可以反映监测量与效应量间的非线性关系,建立准确的变形预测模型。建立基于逐步回归模型和小波神经网络的大坝变形预报模型,通过对比两种模型,验证了相比逐步回归,小波神经网络模型在拟合和预测上均有着更好的表现。     

小波去噪在GPS动态监测数据处理中的应用研究

介绍了小波去噪的原理和步骤,基于不同的阈值选取方法、选择几种不同的小波函数、比较了在GPS动态监测数据处理中的去噪效果。结果表明,应用小波分析的方法可以较好实现去噪效果。     

基于建筑物沉降数据的小波去噪与预测分析

小波变换作为一种新的信号处理工具,其应用领域越来越广泛。基于小波分析理论,通过对监测数据的小波去噪分析与预测,结果表明,小波变换去噪合理有效,能够识别出观测噪声的有用信息,可以取得良好的去噪效果,尤其适用于建筑物变形监测的数据处理,能够提高建筑物沉降数据的预测精度。     

岩石高边坡安全监测数据的小波变换去噪处理

 把小波变换模极大值去噪法和小波变换阀值去噪法应用于noissin模拟噪声信号和某水电站岩石高边坡安全监测资料,根据信号和噪声在小波变换各尺度上的不同传播特性,剔除由噪声产生的模极大值点,保留信号所对应的模极大值点,利用剩余模极大值点重构小波系数,恢复原有监测信号。并通过信噪比、去噪信号能量比、去噪信号与原信号标准差三个性能指标,比较二者的去噪性能。实例应用表明,小波变换模极大值去噪法能够更有效地去除噪音突变信号,保留原始有用信号的突变点,重构信号能够更光滑地重现原始信号,比小波变换阀值去噪法性能更佳,具有更好的实际应用价值。     

非线性小波变换阈值法去噪在工程中的应用

利用基于非线性小波变换阈值去噪算法,对变形监测数据进行去噪处理,对模拟数据的处理结果表明,基于非线性小波变换阈值去噪方法与传统的阈值去噪方法相比,能有效地去除伪吉布斯现象,提高信噪比,剔除变形监测数据中的噪声,识别被噪声疏忽的有用信号。     

基于小波神经网络的边坡预报模型研究

边坡变形具有复杂性、随机性、不确定性、地域性、时效性等的特性,对边坡进行精确的预报一直是一个难题。针对此问题,本文建立了基于小波分析的神经网络预报模型来对边坡变形进行研究,结果表明小波神经网络预测模型具有更灵活有效的函数逼近能力,预报的精度高,并通过实例验证了小波神经网络预测模型的高精度性。