小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于LSSVM-ARMA模型的高层建筑地基变形时间序列预测

由于建筑物沉降受多种因素的影响和制约,其变化规律很难用一个显式的数学公式予以正确表达。本文基于时间序列预测法,结合小波变换、粒子群优化的最小二乘支持向量机和自回归移动平均模型建立了联合的预测方法和模型。将沉降变形时间序列通过小波分解和重构为趋势时间序列、随机时间序列。分别对趋势时间序列和随机时间序列采取滚动预测,最后将两个序列预测结果叠加即为最终预测结果。通过算例分析表明,该方法用于建筑物沉降与倾斜预测是可行的。     

基于改进BP神经网络的路基沉降预测实例分析

采用改进BP神经网络对路基沉降进行预测,且无需考虑影响路基沉降的各种影响因素,建立一个多输入单输出的网络模型。该方法输入和输出是同一类数据,前期实测沉降数据作为基础资料,按等时距序列输入,经指定算法计算后建立稳定的网络模型,然后对后期的沉降进行预测。通过实例分析表明该方法收敛较快,与常规预测方法相比,预测路基沉降精度高、沉降防范性强。     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

小波网络应用于空调负荷预测

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于小波神经网络的CPI数据预测计算模型

针对影响CPI经济序列数据预测的各因素之间的非线性问题,探讨利用神经网络的自学习能力和小波变换的局部化性质,采用了MATLAB强大的运算功能,建立了基于小波神经网络的CPI预测模型。对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列,仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果,为CPI数据预测提供了一种计算方法。     

碎石桩复合软土路基现场沉降监测与数值模拟

通过对碎石桩复合软土路基进行现场沉降监测试验,得到其竖向沉降规律。基于D-P模型,应用FLAC3D岩土工程数值分析软件对加固后的碎石桩复合软土路基竖向沉降进行数值模拟,并对数值模拟沉降值和现场监测沉降值进行对比分析,发现二者较为吻合,此数值模拟方法可应用到碎石桩复合软土路基沉降计算及预测中。     

土工格栅处理软土路基沉降量的BP神经网络预测

目前,土工格栅处理软土路基沉降量的预测多采用指数曲线和双曲线延伸法,其结果不够理想,采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,同时建立相应的时间响应函数,预测其沉降量.计算实例表明,BP神经网络模型沉降预测结果比较准确,其最终沉降预测结果具有一定的工程应用价值.     

小波神经网络在高铁沉降预测中的应用研究

通过试验研究,成功将小波神经网络模型应用到高铁沉降预测当中,并通过实测数据比较了当前主流使用的几种模型,结果表明小波神经网络模型具有良好的拟合精度和预测效果。通过编写高铁沉降预测软件,证明了小波神经网络模型的可行性,并得出了一些有益的结论,供同行参考。     

基于多元线性回归的高速公路路基沉降量预测研究

公路路基沉降是公路建筑工程中的重要问题，而路基沉降与相关因素也存在着线性、非线性的关系。因此，对基于多元线性回归的高速公路路基沉降量进行预测研究。首先，通过计算公路路基沉降的粒子群数值，对路基粒子群沉降数值进行归一化处理，创建多元线性回归的路基沉降量预测模型，实现多元线性回归的路基沉降量预测四部分的分析；再对多元线性回归高速公路路基沉降量的预测方法进行设计。通过对这种方法进行测试，验证与其相关的科学性、合理性，以此提升高速公路路基沉降量预测的相关精准度。     

路基沉降灰色神经网络预测模型及其应用

针对路基沉降预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测路基沉降的新方法。以京沪高铁某段路基断面为例进行了预测研究,并与用GM（1,1）模型预测的结果进行了对比。研究结果表明：灰色神经网络预测比GM（1,1）模型预测误差小。     

神经网络组合预测法在软基沉降预测中的应用

通过引入神经网络组合预测模型,对软基沉降序列进行了非线性组合预测。预测结果表明,神经网络组合预测的结果比各单项模型预测的结果都好,提高了软基沉降的预测精度,可进一步推广应用。     

基于PCA-BP原理预测公路最终沉降量

路基的最终沉降量是公路耐久性评估的重要参数,影响路基最终沉降量的主要因素有空气中软土层厚度、软土压缩模量、硬层厚度、硬层压缩模量、路堤宽高比、路基施工工期、竣工时沉降量。基于以上7个参数,结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的多重共线性和降低输入数据维度的特点,建立了基于PCA-BP神经网络的路基最终沉降量预测模型。以30组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对路基的最终沉降量进行了预测。结果表明:PCA-BP神经网络预测误差低,实现了对路基的最终沉降量的较准确预测,PCA-BP神经网络模型为路基的最终沉降量预测提供了一种科学、可靠的方法。     

灰色模型联合小波变换进行变形预测的研究

该文研究了基于灰色模型结合小波变换的变形预测方法。根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果,且将该结果与灰色模型预测结果进行了比较。结果表明,该方法具有较强的预测能力,可作为变形预测的方法参考。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

双曲线法在高填路基沉降预测中应用

基于路基沉降实测资料,用双曲线模型对某高填路基的沉降变形进行了预测分析.实测资料和理论分析表明:双曲线模型简单易行,可对高填路堤进行沉降预测尤其是对中后期的沉降预测,并得到较为满意的结果,能预测路基最终沉降值从而判断路基沉降稳定状况.