共查询到20条相似文献,搜索用时 15 毫秒
1.
黄振贵 《测绘与空间地理信息》2021,44(7):221-224
变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(1,1)模型对未来形变进行预测.采用两例典型实例对所提小波GM(1,1)模型和传统GM(1,1)模型的建筑物形变预测性能进行对比评估,结果表明所提方法能够获得更高的预测精度,对不同数据的适应性和泛化能力更强,可满足实际工程应用需求. 相似文献
2.
针对建筑物沉降变形中各监测点相互关联、相互影响的情形,可将灰色系统理论中的GM(1,N)模型引入到建筑物沉降分析中。本文利用灰度关联方法确定相关因子的关联度,建立GM(1,N)模型,并与回归分析、GM(1,1)模型比较。通过工程实例,得出灰关联GM(1,N)模型预测精度明显高于另外两种模型,验证了该模型在进行建筑物沉降分析预测中应用的可行性。 相似文献
3.
4.
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
5.
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
6.
变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。 相似文献
7.
8.
9.
基于中值滤波的灰色预测模型及其在大坝变形预测中的应用 总被引:4,自引:0,他引:4
在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。 相似文献
10.
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
11.
12.
《测绘》2021,(1)
本文提出一种基于主成分分析(Principal Component Analysis,PCA)优化的传统灰色-自回归(Gray Model-Auto Regressive,GM-AR)模型,首先利用PCA对基坑变形数据进行分析,将观测数据投影到信号子空间实现噪声抑制,同时获取大特征值个数作为AR模型的最优阶次,然后分别利用GM模型和AR模型对变形数据的趋势项和波动项进行拟合。采用实际算例对所提方法的预测性能进行验证,结果表明相对于传统单一GM(1,1)模型,AR模型和GM-AR模型,所提方法可以获得更高的预测精度,并在低信噪比和较长时间预测条件下具备更强的适应能力和鲁棒性。 相似文献
13.
灰色幂模型又称非线性灰色伯努利模型(NGBM(1,1)),是灰色GM(1,1)模型的一种改进模型,具有非线性特征,在拟合和预测非线性特征数据方面具有优势。NGBM(1,1)模型相比于GM(1,1)模型具有更高的预测精度和更广的适用范围,它在经济、农业、气象等方面已有较广应用,但是在变形监测领域的应用还比较少。本文在已有的灰色系统理论的基础之上,将NGBM(1,1)模型应用在测绘领域的变形监测中。先对原始的变形监测数据进行累加、累减、求背景值,并根据原始数据求出最佳幂指数值和灰作用量,然后利用求解出的参数建模拟合已有数据并预测边坡监测的数据。实验结果表明,灰色幂模型NGBM(1,1)的预测精度比传统GM(1,1)模型预测精度更高。 相似文献
14.
为研究基坑工程的变形规律,合理预测基坑未来的变形趋势,针对基坑工程变形中存在的各种变形因素复杂、变形大小不确定等情形,采用灰色系统理论建立基坑变形分析模型,结合工程实例,通过GM(1,1)模型群的建立确定最佳预测模型,然后在最佳模型基础上分别建立全数据模型、新信息模型、自动更新三种模型;预测结果表明应用灰色模型进行基坑工程变形分析的可行性和可靠性,为基坑工程的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。 相似文献
15.
16.
针对地铁开挖造成的地表变形预测问题,本文探讨了灰色模型的基本原理与优势,并以某地铁实测变形数据为依据,采用新陈代谢GM(1,1)模型进行建模预测,以ARMA预测模型、GM(1,1)模型分别进行对比分析。通过精度评定,获取可靠结论。实验结果表明,3种预计模型均可获取一定精度的预测值,新陈代谢GM(1,1)模型的预测值准确可靠,精度高于另外两种模型,为同类变形预计的实际工程项目提供了依据,具有参考价值。 相似文献
17.
针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。 相似文献
18.
对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。 相似文献
19.
20.
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