基于神经网络与时空序列的混合模型在变形监测中的应用

在变形数据分析与建模中,同时考虑变形体测点之间的时间相关性以及空间相关性的时空序列模型(STARMA)能够更好地反映出变形体的形变规律,但STARMA模型是建立在线性平稳模型基础上的,且大多数观测数据序列是非平稳过程,这给时空序列模型的应用带来了局限性.由于BP神经网络具有很强的非线性映射能力,基于此,结合这两种模型的特点,构造ANN+SRATMA混合模型来处理非平稳序列.通过对建筑物的沉降观测进行分析研究,结果表明了混合模型要优于单一模型,具有很好的实用性.     

非线性灰色-时序组合模型在隧道变形监测中的应用研究

隧道变形监测时由于受外界因素或系统因素的干扰,所获得的观测数据往往会含有误差或粗差,必须在建模之前对观测数据进行预处理。选用格拉布斯准则对观测数据进行粗差检验,可以有效地避免粗差对模型预测精度的干扰进而提高模型的预测精度,且将灰色时序组合模型用于隧道变形监测分析预报中,并与单一的GM(1,1)模型和时间序列模型的预测精度作对比,结果表明:组合模型在隧道变形预测分析预报中有较高的精度。     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

基于插值的非等间距GM(1,1)建模方法

非等间距GM(1,1)模型因其对非等间距观测数据的处理能力,在变形观测的预测方面发挥着越来越重要的作用。为了更加准确地进行变形预测,提高其实用性,对非等间距GM(1,1)模型进行改进。首先分析不同插值方法对非等间距序列的适应性,选取合适的插值方式。通过插值将非等间距序列构造成等间距序列,建立插值优化背景值和不对背景值进行优化两种模型。对该等间距序列进行预测,最后再进行一次插值还原为原始非等间距序列的预测值。将预测的结果与其他方法进行比较,验证了改进的模型预测精度明显提高。     

高层建筑沉降预测新方法的研究

对双曲线模型公式进行了研究,将双曲线模型应用于高层建筑物沉降监测预报中,结合某高层建筑物沉降观测数据,建立了相应的双曲线预报模型。通过Matlab编程对观测数据进行处理,处理的图像显示双曲线模型与原始观测的数据曲线变化趋势一致,很好的反应了建筑物沉降的变化规律,证明了双曲线模型可以应用于高层建筑物沉降预测。     

机场道面使用性能的动态自回归预测模型

针对我国机场道面性能观测时间短,观测数据少,使用现有模型预测精度低,不能根据观测值动态更新预测模型等现状,提出了将卡尔曼滤波应用于时间序列预测的方法,建立了动态自回归预测模型,进行机场道面使用性能的预估.选取我国华东某机场的实测道面状况指数为基础数据,进行时间序列建模,应用卡尔曼滤波算法实现时间序列模型参数的实时更新,分析模型的预测效果.时间序列数据较少时,难以建立高精度的自回归模型,通过卡尔曼滤波处理建立的动态自回归预测模型精度明显提高.     

几种预测模型在建筑物沉降预报中的对比分析

本文以曲线拟合 ,指数平滑和灰色预测模型 [GM( 1 ,1 ) ],对建筑物沉降变形观测数据进行分析预测 ,并结合实例对三种模型预测结果进行对比分析 ,得出有一定参考价值的结论     

离散灰色DGM（1,1）模型在高层建筑物沉降预测中的应用

针对高层建筑物沉降观测数据序列的特性,结合西昌市某工程沉降观测项目,重点阐述离散灰色DGM(1,1)模型原理及特性,以Matlab为仿真平台,将DGM(1,1)模型运用于高层建筑物沉降预测,并对其预测性能进行检验。结果表明,该方法能较好地模拟沉降发展趋势,且误差小,能达到精度要求,为后期工作提供数据支持。     

基于小波SR-PSO-ELM的面板堆石坝沉降预测组合模型及应用

针对目前常规组合模型在残差序列信息挖掘上的不足,借助小波分析、逐步回归分析和粒子群算法对运行期沉降进行分层次预测,充分提取沉降观测中的非线性和不确定性信息,即利用小波去噪对观测数据进行处理,结合逐步回归模型(SR)对沉降变形的整体趋势层进行预测,并通过粒子群-极限学习机(PSO-ELM)对观测数据中的残差层进行第二层建模预测,采用分层预测后的叠加值来反映测点的沉降预测值,据此构建小波SR-PSO-ELM模型.结合某已建工程实例对本模型效果进行验证,对比其它模型的预测结果表明,提出的组合模型有着更高的精度和更优的泛化能力,能对面板堆石坝运行期沉降变形进行有效预测.     

基于均值滤波的灰色预测模型及其应用

在变形监测中,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,由于影响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,这些扰动使得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,本文提出一种基于均值滤波的GM预测模型,即先用均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,基于均值滤波的GM预测模型可以有效地提高变形预测的精度和可靠性。     

风积土地基建筑物不均匀沉降数值模拟

为研究风积土地质情况下建筑物的沉降特性,采用地基土体、建筑物基础与上部结构共同作用的分析方法,对一幢建于风积土地基上独立基础混凝土框架结构建筑物,建立风积土地基、混凝土基础和上部结构的有限元模型,数值模拟研究结构的沉降变形规律,并将阜新地区的实际观测值与数值模拟数据对比分析.结果表明:有限元整体建模方法能够很好地预测并反映风积土地基上建筑物的不均匀沉降情况.     

变形预测中顾及时变特性的指数加权组合法

针对变形观测时间序列 ,提出直接用以往观测数据的指数加权形式来预测其将来值的方法 .这一方法分析和考虑了变形数据的时变特性 ,从而引入了衰减因子 .在变形监测分析与预测中具有一定的应用价值 .     

地下水埋深动态预测的DAMSM模型

运用动态数据反演建模方法和自记忆性方程，建立了地下水埋深动态预测的DAMSM模型。该模型将动力学计算与用历史数据估计参数相结合，预测时无需分析影响地下水埋深动态的各种因素，只需要有一定长度的地下水埋深动态观测序列资料，避免了众多数据的收集整理。实例预测表明，该模型具有较高的拟合精度和预测准确性。     

灰色系统理论在变形观测中的应用

建筑施工中,沉阵监测是监测建筑物是否安全的重要环节,将灰色系统理论应用于建筑物沉降变形的数据分析,结合沉降观测实例,可进行沉降预测结果的分析和检验,进而证实建筑物沉降变形分析中采用灰色GM（1,1）预测方法的可行性,关键词：灰色预测;GM（1,1）模型;基坑变形。     

基于组合模型的建筑物沉降预测

以上海某建筑物沉降观测数据[1]为依据,构建一种新的组合预测模型,并对沉降数据进行预测,将预测结果与前人单项模型预测结果进行对比,结果表明组合预测模型预测结果要明显优于单项模型。     

某酒店变形观测技术探讨

以某酒店变形观测为案例,就建筑施工中建筑物变形监测所使用的仪器设备、观测方法和精度要求进行了详尽阐述,并利用EXCEL软件对观测数据进行图形化处理,进而提出建筑物变形观测技术的可行性,以期为建筑企业的日常施工提供参考与借鉴.     

顾及多因素影响的地壳形变回归——样条函数混合模型

本文利用三次B—样条和双三次B—样条分别建立单点变形模型和动态整体变形模型;为了使模型能够反映外界环境因素对地壳形变的影响,又建立回归—样条函数混合模型。算例表明,该方法对处理多因素影响的小样本变形观测序列是可行的。     

多项式数学模型在建筑物沉降观测数据拟合分析中的运用探讨

深基坑工程施工过程中,由于工程风险等级较高,需对工程周边建筑物进行监测,文中建立了观测数据随时间变化的多项式数学模型,并利用EXCEL数据处理软件对观测数据进行了拟合分析,将计算结果与实际观测数据进行对比,分析了误差,进而验证了利用多项式模型对观测数据进行拟合分析与预测的合理性,得出了观测数据随时间变化的数学表达式.     

基于MA模型的移动Ad Hoc网络路径长度预测

移动Ad Hoc网络中,节点之间的路径长度是构建QoS路由的一个重要参数,提出一种基于移动平均(MA)模型的网络路径长度预测方法.首先根据赤池信息量准则(AIC)确定MA模型的阶,然后对路径长度的历史和当前数据进行时间序列分析,找出之间的自相关性,从而预测未来路径长度.建立仿真实验,在AODV和DSR网络协议下,节点分别执行MHG和RPGM移动模型,通过提出的方法对各种场景下的路径长度进行预测,并根据性能指标评估预测性能.结果表明,提出的方法能够有效地预测未来路径长度.     

卡尔曼滤波在大坝动态变形监测数据处理中的应用

详细地讨论了离散线性系统的卡尔曼滤波模型的建立及相应的精度评定公式，通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析，发现卡尔曼滤波值、预报值与原始观测值数据曲线的变化趋势非常接近，说明所建立的卡尔曼滤波模型是合理的、可靠的，可以较好地模拟动态目标系统的变化规律。同时，卡尔曼滤波模型能够实时、快速地处理大量动态变形数据，并能有效地改善动态变形监测数据的精度。