共查询到20条相似文献,搜索用时 406 毫秒
1.
2.
大坝回归建模中常常因自变量间的多重共线性产生"病态"问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测. 相似文献
3.
4.
将统计学习理论和LS-SVM用于变形分析预报,采用小生境遗传算法与交叉验证法相结合进行LS-SVM参数的选取,并用参数优选后的LS-SVM与混沌理论相结合对变形监测数据进行建模预测,并与BP和RBF两种神经网络的预测结果进行了比较分析。实例表明,基于组合LS-SVM的变形数据预报模型具有良好的效果。 相似文献
5.
6.
最优权组合预测法在采煤沉陷变形预测中的应用 总被引:1,自引:0,他引:1
煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开,基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想,以非等间隔灰色预测模型与BP神经网络模型为预测单模型,以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源,以最优加权法对单模型预测结果开展了最优权组合,组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价,结果表明:3种预测模型精度均达到了一级。经对比3种模型预测结果,最优权组合预测的模型精度较单模型明显提升,预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。 相似文献
7.
以某煤矿工作面内某点的沉降观测数据为依据,分别选取累计变形量、单次变形量以及日变形速率为建模元素获取建模序列,用c#对该点建立均值GM(1,1)模型,得到3种不同建模序列的沉降预测值.对比分析发现,单次变形量以及变形速率序列对建模数据预测优于累计变形量序列.而且若等周期观测,变形速率与单次变形量预测效果相同;非等周期观测时,单次变形量序列预测效果最好. 相似文献
8.
以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。 相似文献
9.
高层建筑形变监测中动态灰色理论模型的应用 总被引:1,自引:0,他引:1
邹广黔 《测绘与空间地理信息》2010,33(1):197-199,201
利用灰色理论模型对高层建筑物变形监测数据进行了建模和分析,并针对传统GM(1,1)模型在预测过程中的数据发散问题,对模型进行了改进,建立了动态GM(1,1)模型。通过对两种模型的预测结果与实际观测值的比较,证明动态模型在中长期变形监测中具有明显优势。 相似文献
10.
11.
变形监测工程是一个复杂的综合系统,各种参数具有很大的不确定性.目前变形的预测分析多采用单一的预测方法,而各种方法都有各自的优缺点和应用范围,有时单一的预测方法对判定工程性质带来了困难.引入了组合预测的思想,在灰色GM(1,1)模型的基础上,构建了灰色+GA+BP神经网络组合模型,探索了时间序列的数据处理和预报问题,通过... 相似文献
12.
13.
人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。 相似文献
14.
变形分析的神经网络技术应用实例 总被引:1,自引:0,他引:1
大型工程施工过程中的变形监测、分析与预报极为重要。变形分析建模的方法很多,神经网络技术的应用是其中之一。文中结合某深基坑工程的监测资料和工作经验,运用神经网络BP算法进行预测分析。简述BP神经网络的基本概念,介绍基坑变形分析的BP神经网络的具体模型结构,将神经网络方法预报结果与实测数据对比效果较好。该成果对生产实践具有参考价值。 相似文献
15.
16.
提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。 相似文献
17.
Roberto Patuelli Aura Reggiani Peter Nijkamp Norbert Schanne 《Journal of Geographical Systems》2011,13(1):67-85
In this paper, we present a review of various computational experiments concerning neural network (NN) models developed for regional employment forecasting. NNs are nowadays widely used in several fields because of their flexible specification structure. A series of NN experiments is presented in the paper, using two data sets on German NUTS-3 districts. Individual forecasts are computed by our models for each district in order to answer the following question: How relevant are NN parameters in comparison to NN structure? Comprehensive testing of these parameters is limited in the literature. Building on different specifications of NN models—in terms of explanatory variables and NN structures—we propose a systematic choice of NN learning parameters and internal functions by means of a sensitivity analysis. Our results show that different combinations of NN parameters provide significantly varying statistical performance and forecasting power. Finally, we note that the sets of parameters chosen for a given model specification cannot be light-heartedly applied to different or more complex models. 相似文献
18.
为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。 相似文献
19.