共查询到20条相似文献，搜索用时 15 毫秒
1.
2.
针对单一电离层总电子含量(TEC)预报模型存在的缺陷，如受外界因素干扰较大、预报精度随预报时间的增加明显降低等，本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先，利用CEEMD对TEC原始序列进行自适应分解，得到具有不同频率的分量并依据分量复杂度分析结果进行重构；其次，使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报，使用Holt-Winters模型对低频分量进行建模与预报；最后，重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验，结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高，在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果，稳定性高。 相似文献
3.
为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值. 相似文献
4.
为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。 相似文献
5.
为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。 相似文献
6.
针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。 相似文献
7.
由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。 相似文献
8.
危来龙 《测绘与空间地理信息》2013,(10):241-244
为解决地铁施工段地表沉降随机波动较大对预测模型造成扰动的问题,提出了一种组合预测模型。首先利用Mallat算法对沉降序列进行分解和重构,分解并重构出非平稳时间序列中的平滑分量和细节分量;然后,对平滑分量用灰色模型进行拟合与初步预测,对细节分量则引入马尔可夫模型进行预测;最后,将各模型的预测结果进行叠加,从而得到原始沉降序列的预测值。该方法能充分拟合平滑分量数据,而且可避免对细节分量的过拟合,防止随机波动较大值造成模型的整体偏离。通过实例验算得出该模型具有很好的预测精度。 相似文献
9.
对流层延迟是影响全球卫星导航系统（GNSS）测量精度的重要因素. 针对现有对流层延迟模型稳定性差，精度较低等问题，在无实测气象参数条件下，提出一种基于Keras平台的长短期记忆神经网络（LSTM）的对流层延迟预测模型. 选取全球均匀分布的8个测站，使用其2016年第90-131年积日共42 天的整点对流层延迟数据预测其第132-136年积日的整点数据. 以国际GNSS服务（IGS）中心提供的对流层产品为真值，分析比较LSTM模型和反向传播（BP）神经网络模型的预测效果. 研究表明，LSTM模型预测结果的均方根误差基本达到mm级，其平均绝对误差和平均绝对百分比误差均比BP模型低，LSTM模型在精度和稳定性上较BP模型均有明显提高；LSTM模型在中高纬区域的均方根误差（RMSE）均值达到7.82 mm，中高纬地区更适合使用该模型. 相似文献
10.
针对大坝变形预测中非平稳性且含噪声的数据处理问题,该文提出一种基于剔除含噪声信号的大坝变形傅里叶(Fourier)预测新算法。首先利用经验模态分解(EMD)法将变形时间序列分解成具有不同尺度特征的固有模态函数(IMF)分量,并计算出各分量与原始信号的相关系数;然后根据相关系数剔除含噪声的IMF分量,并采用游程判定法对剩余的波动程度相似或相同的分量进行信号重构;最后利用傅里叶函数对重构后的分量进行曲线拟合,并据此构建大坝变形预测模型,对出现的模型系数采用最小二乘算法求解。经算例验证,并与GM(1,1)、BP神经网络和傅里叶模型对比分析,结果表明该文算法预测精度较高,可用于大坝的变形预测。 相似文献
11.
针对GPS多路径提取过程中EMD算法存在模态混叠效应及小波（Wavelet）去噪局限性的问题,提出了一种基于CEEMD-Wavelet-SavGol模型的多路径提取算法。为了能够充分提取高频和低频中的有用信息,该算法利用完备经验模态分解（CEEMD）对信号进行分解,得到一系列从高频到低频的模态函数（IMF）,并根据模量标准化累计均值法对尺度进行区分,然后分别采用Wavelet和SavGol滤波对高频分量和低频分量进行降噪,将降噪后的IMF进行重构,得到降噪后的信号。最后将该模型用于GPS多路径误差提取的实例中,并与Wavelet、EMD、CEEMD模型进行对比,证明了新模型的有效性。 相似文献
12.
大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。 相似文献
13.
受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。 相似文献
14.
15.
为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。 相似文献
16.
17.
时频分解方法局部均值分解（local mean decomposition,LMD）在沉降监测中已经得到了应用,但在使用中会出现模态混叠现象。总体局部均值分解（ensemble local mean decomposition,ELMD）通过添加辅助噪声可以抑制局部均值分解过程中出现的模态混叠现象。提出了一种基于ELMD的并联式组合沉降预测方法,结合高速铁路某桥梁实际监测数据,在对ELMD模型进行仿真分析的基础上,分别使用ELMD和LMD将一组离散非线性信号分解为3个PF分量和1个剩余分量,并利用支持向量机和卡尔曼滤波进行预测验证。结果表明:使用ELMD进行分解的过程中能够很好地抑制LMD方法中出现的模态混叠问题。在预报精度方面,基于ELMD的并联式组合模型的平均相对误差可以达到8.3%,可为沉降监测的预报工作提供参考和借鉴。 相似文献
18.
针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。 相似文献
19.
从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。 相似文献
20.
《测绘科学》2020,(7)
针对动力学模型预报轨道误差随弧长增加而发散的问题,用深度学习长短期记忆神经网络模型对预报误差进行补偿,且对LSTM模型逐点迭代产生的误差积累问题,提出了总体经验模态分解和LSTM模型组合的EEMD-LSTM预报模型。采用LSTM模型补偿GEO、IGSO和MEO轨道误差较BP神经网络更能完备地学习误差特性,在短、中和长期预报中,两者均方根误差差值随预报弧长增大而增大,同时误差平均改进率■也明显提高,30 d内预报中增大的■高达28.6%。且EEMD-LSTM模型较好地抑制LSTM模型误差累积,在中长期的预报中RMSE和■的差值再变化,前者高达到21.13 m,后者高达到4.24%。EEMD-LSTM组合模型补偿功能的实现对未来GNSS卫星轨道预报方法研究提供了一种参考。 相似文献