共查询到20条相似文献，搜索用时 31 毫秒
1.
针对目前的地铁隧道沉降变形预测方法忽略了对沉降变形影响因素的综合协调考虑这一问题,该文将遗传算法(GA)结合极限学习机(ELM)的方法引入地铁隧道沉降变形预测。该方法借助最大信息熵理论,充分挖掘地铁隧道沉降主要影响因素与沉降量间的信息特征,并将遗传算法与极限学习机相耦合,利用遗传算法的全局搜索能力获取ELM神经网络优化的初始权值和阈值,形成熵权遗传算法-极限学习机模型,并编制相应计算程序。采用该模型对西安某地铁隧道沉降变形进行预测,并与遗传算法-极限学习机、极限学习机、传统的BP神经网络预测结果进行比较,结果表明熵权遗传算法-极限学习机模型与实测值吻合更好,预测结果更稳定。 相似文献
2.
针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法（IBA）优化极限学习机（ELM）的大坝变形预测模型（IBA-ELM）。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm,IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。 相似文献
3.
随着城市发展,致使地铁沉降的因素越来越多,地铁沉降监测越来越重要。对此,本文基于灰色模型和RBF神经网络预测模型,对两者融合方法进行了研究。通过对某城市地铁沉降监测数据进行预报和分析,证明了灰色RBF神经网络模型预测精度优于单一模型预测精度,组合模型避免了灰色模型线性补偿的弊端、增加了数据利用率、增强了算法的鲁棒性,预报结果更加准确。 相似文献
4.
为了确保轨道交通隧道施工作业的正常进行及地表建构筑物的稳定安全,采用遗传算法(genetic algorithm,GA)对极限学习机(extreme learning machine,ELM)模型的输入权值和隐含层偏置进行优化,通过构建GA-ELM模型,实现对轨道交通施工隧道地表断面监测点实测数据进行变形预测研究,并将GA-ELM模型与ELM模型、传统BP(back progation)模型的变形预测结果进行对比分析.实验研究结果表明:优化后的ELM模型预测效果得到很好的改善,证明了GA-ELM预测模型在施工隧道地表沉降预测中的可靠性和适用性. 相似文献
5.
针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。 相似文献
6.
针对运营期地铁结构内的轨行区部分沉降的成因进行了阐述,以南京地铁二号线部分区间沉降监测为例,介绍了基本监测方法和监测点布置情况。在论述GM(1,1)灰色模型生成原理的基础上,研究了模型精度及模型拟合程度评定方法,提出了采用GM(1,1)灰色模型对轨行区沉降进行预测研究,分析了实测结果与预测结果的残差,比较了不同模型的预测效果。计算实例表明,该模型预测精度高,所需数据少,简单实用,在中短期预测方面效果良好;并创新开发了预报的手机和网页终端,提出了短信报警预警值的分类等级。预测模型和预警软件开发方法值得在地铁轨行区沉降预测中推广。 相似文献
7.
地铁的快速发展解决了人们的出行问题,但在地铁施工中会使沿线附近的建筑物产生沉降变形。为了确保建筑物和施工安全,对地铁施工期间建筑物的沉降变形进行监测很有必要。选择某市地铁3号线沿线高层建筑物为研究对象,对其沉降变形特征进行分析说明,并对沉降变形进行预测,结果表明,预测曲线与实测曲线拟合较好。 相似文献
8.
针对地铁通风井深基坑工程的沉降数据扰动因子多、传统灰色模型预测效果差的不足,本文以DGM(1,1)模型为基础,利用弱化缓冲算子能够有效地处理含有扰动因素的原始监测数据的优势,较好地改善了基础模型的预测精度。本文在系统分析弱化缓冲算子对DGM(1,1)预测修正过程的基础上,选用3种弱化缓冲算子对风井基坑周围的地表监测点D2和给水管线监测点S2进行沉降量预测的对比分析。工程实例分析表明:平均弱化缓冲算子修正后的DGM(1,1)模型具有较高的预测精度,可以用于工程中的沉降预测。 相似文献
9.
《现代测绘》2020,(2)
结构变形是一种广泛存在于地铁结构的工程问题,基于现有变形数据选择合适的预测模型对地铁结构变形的发展趋势进行较为准确预测分析对地铁结构的安全运营及维护具有重要意义,也是地铁结构变形监测工作中的一项重要工作。常见的变形预测方法主要有样条曲线拟合、灰色模型、蚁群算法。本文通过介绍"S"形Logistic曲线性质与经典Logistic模型参数估计方法,并利用基于高斯牛顿法的非线性曲线拟合迭代,获取全局最优参数并结合某地区地铁保护区道床沉降监测工程,探讨分析了Logistic预测模型及其预测精度。研究结果表明,Logistic预测模型计算得到的变形趋势与实际工况吻合,模型预测精度较高,对同类型地铁道床沉降预测具有一定参考价值,可为相关工程项目提供参考。 相似文献
10.
11.
针对在地铁建设和运营中容易引起地面沉降,给人民生命财产安全造成威胁的问题,该文利用SBAS-InSAR对2018年7月—2019年12月昆明市41幅Sentinel-1A升降轨影像进行处理,获取昆明地铁沿线沉降信息。在此基础上,分析了6条地铁沿线200 m缓冲区地表沉降的时空分布特征,并结合LSTM、XGBoost、Deep Forset模型进行时间序列值的预测,引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行对比评价。Deep Forest预测模型计算得到的RMSE值最小,NSE值最大,分别为0.21、0.94,结果表明,Deep Forest预测模型效果高于LSTM、XGBoost预测模型。因此,利用Deep Forest模型能够有效地对地铁沿线进行沉降预测,可以为政府部门今后开展地铁沿线地面沉降监测和灾害预警提供参考。 相似文献
12.
樊政 《测绘与空间地理信息》2018,(9)
由于地铁工程大部分在地下施工,可能造成周围建筑或者土地出现不均匀沉降问题。为了确保地铁施工安全,地铁施工过程中要对地面沉降现象进行检测,从而及时了解地面沉降情况。本文通过时间序列分析方法对地铁施工沉降情况进行监测,及时掌握地铁工程以及周围建筑物的沉降量和沉降速度,对沉降情况进行科学的分析和评价,并采用合理的方法进行预测,更好地掌握地铁施工沉降变化规律和发展趋势,确保地铁施工的安全性。 相似文献
13.
多光谱影像记录了地球上各类地物的电磁波,具有极大的信息量,对影像上相关信息的处理和提取是遥感信息应用的前提。多光谱影像的信息自动提取技术的准确性和提取速度是图像分析与理解领域永恒的研究主题。针对遥感影像信息提取的复杂性和极限学习机ELM的分类性能,在单隐层神经网络和极限学习机理论的基础上,提出了基于粒子群参数寻优的混合核函数极限学习机分类模型。与标准的ELM、支持向量机等分类模型进行比较验证,实验结果表明,混合核函数的极限学习机总体分类精度最高,达到了92.67%,有效提高了影像信息提取的精度和速度,很好地满足了图像信息自动提取对准确率和速度的双重要求。 相似文献
14.
《现代测绘》2020,(2)
地铁轨道结构的变形是影响地铁运营安全的重要因素之一,对其变形预测模型展开研究具有重要意义。本文以南京地铁2号线某区段的地铁轨道结构沉降监测实测数据为基础,研究分析了几种不同的沉降预测模型,并对预测效果进行了对比分析。论文首先介绍了时间序列模型之一,自回归模型AR(p);其次,介绍了神经网络BP模型,且确定地铁轨道结构沉降预测的BP模型结构为4×P×1。经工程实例分析,与时间序列模型相比,神经网络BP模型的预测精度能提高约50%,但该模型的缺点是模拟结果不稳定。最后,作者提出了时间序列与BP算法的融合模型,并详细介绍了该模型的具体结构和计算步骤。工程实例结果表明,融合模型的预测精度更高,与时间序列模型相比,精度能提高约60%,且融合模型的稳定性比常规BP模型要好。 相似文献
15.
16.
17.
18.
EM算法的时序模型在沉降数据处理中的应用 总被引：1，自引：0，他引：1
针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。 相似文献
19.
对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势.本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列.在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证.结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性. 相似文献