共查询到20条相似文献，搜索用时 343 毫秒
1.
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
2.
3.
改进灰色马尔科夫模型在基坑预测中的研究 总被引：1，自引：0，他引：1
基坑预测问题关系到工程施工的安全,在施工过程中对基坑进行周密的监测和变性预测分析显得尤为重要。针对传统预测模型存在固有偏差和可靠性低的缺点,采用新陈代谢的原理对无偏灰色加权马尔科夫模型进行改进。该模型先用无偏灰色模型拟合系统的总体变化趋势,然后,对拟合残差进行马尔可夫状态划分,并根据各阶权重对不同步长的转移矩阵进行加权处理,用加权后的无偏灰色马尔科夫模型进行预测。在每一步的预测中,利用新陈代谢的原理不断更新建模所使用的数据。将该模型用于基坑沉降预测,并通过实例进行验证。实验表明:基于新陈代谢的无偏灰色加权马尔科夫模型提高了基坑沉降预测的精度和可靠性,预测精度与未改进模型相比提高了8.54%。 相似文献
4.
为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。 相似文献
5.
6.
利用最小一乘法改进的灰色模型的导航卫星钟差预报 总被引：1，自引：0，他引：1
在卫星钟差波动较大的情况下,为了克服基于最小二乘法估计灰色模型参数对卫星钟差预报精度的不足,本文利用最小一乘法对传统灰色模型进行了改进。在建模的过程中,采用以误差绝对值之和最小为优化原则,针对目标函数不可微的特点,运用线性规划的方法对灰色预报模型的模型参数进行了估计。此外,将改进后的预报模型应用到卫星钟差波动较大情况下钟差的预报中,并将预报结果与传统灰色模型的预报结果进行了对比分析。结果表明：在卫星钟差波动较大的情况下,该方法相比传统灰色模型的预报结果有显著改善,为高精度的卫星钟差预报提供了一种新思路。 相似文献
7.
8.
9.
10.
以武汉市地铁6号线施工沉降监测为例,利用多种预测模型对第十一标段武胜路站—汉正街站区间的沉降量进行了预测。通过对比分析可知,灰色GM(1,1)模型的拟合值与实地观测趋势大致吻合,但灰色线性回归组合预测模型的拟合效果更好,平均相对误差可达2.564×10~(-3)%。为得到精度更高、鲁棒性更好的预测模型,对灰色线性回归组合预测模型进行了加权优化。结果表明,利用改进模型进行预测的平均相对误差为1.769×10~(-3)%,验证了该模型的可靠性,对地铁施工过程中的安全稳定性评价具有一定的参考价值。 相似文献
11.
陈兵 《测绘与空间地理信息》2020,(2):222-224
针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。 相似文献
12.
针对应用单一方法预报卫星钟差的局限性,文章提出了基于最小二乘支持向量机回归的卫星钟差非线性组合预报方法:首先根据历史钟差数据建立二次多项式模型和灰色模型,然后利用这些模型进行钟差预报,最后采用最小二乘支持向量机回归算法对两种模型的预报结果进行非线性组合,以获得最终预报值;对比了RBF核函数、线性核函数和多项式核函数对组合预报性能的影响,并将本文组合预报方法与经典权组合方法进行比较。结果表明,本文方法优于经典权法,且线性核函数更适合组合预报。 相似文献
13.
灰色GM(1,1)模型运算简单,但缺点是精度不够;时间序列模型能计算大量的数据,但是运算过程比较复杂。本文以宿迁某基坑为例,对水平位移量进行检测,利用灰色和时间序列组成的新模型,以前几期数据作为原始数据对后几期数据进行预测,得出组合模型的精度比单一的灰色预测模型精度高,组合模型更适合基坑监测。 相似文献
14.
神经网络在卫星钟差短期预报中的应用研究 总被引：2，自引：0，他引：2
本文针对卫星钟差的特点,提出了基于神经网络的卫星钟差短期预报模型,给出了基于径向基函数(RBF)网络进行卫星钟差预测的基本思想、预测模型和实施步骤,并对比分析了神经网络模型与灰色系统理论模型的区别.为验证本文提出的预报模型的可行性和有效性,利用GPS卫星钟差数据进行钟差预报精度分析,并与灰色系统模型进行对比分析.仿真结... 相似文献
15.
在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。 相似文献
16.
灰色预测模型GM（1,1）的建模思想是：原始序列（非负序列）经过一次累加生成后,形成一个单调递增数列,新序列中各数据点的连线可以用指数函数y=aebx进行拟合。根据这个指数函数可以推导出下一个累加值的预测值（即第一个预测期）,最后通过累减生成将累加序列预测值还原为原始序列预测值。本文通过对原始序列进行指数-幂函数变换,增加了原始序列的光滑度;并在灰参数求取过程中对原始序列赋以权重,利用迭代计算的方法推导出了模型精确背景值;最后通过使预测序列残差平方和最小的方法计算出最优初始条件,进而提出了一个改进后的GM（1,1）模型。利用改进后GM（1,1）模型对某大厦沉降监测数据进行模拟与分析,并对改进前后的模型进行对比与分析,结果表明,改进后模型的各项精度因子相比于传统模型均有所提高,且时间序列越往后的预测值,精度越高。 相似文献
17.
为提高地表沉降预测精度,针对灰色预测模型(GM(1,1))易受随机干扰影响致使预测精度不高的问题,建立了基于卡尔曼滤波的灰色理论预测模型。考虑到沉降量受到温度和时间因素影响较大的特点,将地表的沉降看作时间、温度的相关函数来建立卡尔曼滤波模型,并利用迭代滤波理论和LevenbergMarquardt优化滤波,构建改进的卡尔曼滤波模型。改进的卡尔曼滤波模型与灰色模型相结合,应用于地表沉降预测中,并将改进的卡尔曼滤波灰色模型预测结果与卡尔曼滤波灰色模型的预测结果进行对比。实例计算表明,使用改进的卡尔曼滤波对消除检测数据扰动误差后的数据进行灰色模型预测的精度相比于单纯灰色预测的预测精度更高。 相似文献
18.
19.
20.
针对现有的超快速钟差产品IGU精度较低以及无法满足实时PPP技术的问题,提出了一种改进的多项式+周期项钟差预报模型。该模型采用多项式+周期项非线性函数对钟差数据进行滑动估计,结合迭代法对拟合模型的随机误差进行自然修正,以实现对卫星钟差的预报估计。通过与常见的多项式模型、灰色系统模型和多项式+周期项模型的对比分析,结果表明:改进的多项式+周期项模型更加适用于卫星钟差预报,在1天内,其预报精度RMS可以达到0.57 ns,最大偏离程度为1 ns,明显优于灰色系统模型和多项式+周期项模型;随着预报时间的增长,多项式模型、灰色系统模型和多项式+周期项模型的预报精度大幅降低,而改进的多项式+周期项模型没有大幅的变化,预报结果比较稳定。 相似文献