基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

基于改进的BP神经网络的大坝蓄水期实时预报模型

蓄水期是大坝安全监测的重点时期.鉴于坝体性态随水位快速升高产生实时变化,蓄水期监测资料平稳性较差等特点,传统的BP神经网络对数据处理本质上属于静态网络,不能满足对实时变动的蓄水期数据样本的准确预测.为了解决这个问题,在传统的BP神经网络模型的基础上,通过在误差计算和模型参数中分别引入遗忘因子,实时更新数据的影响权重,建立了大坝蓄水期资料分析的时变分析模型.最后使用传统的BP神经网络模型和改进的BP神经网络模型进行实例分析,结果表明后者比前者在径向位移的预测上精度提高1mm以上,改进的BP神经网络模型更加适用于大坝蓄水期监测资料分析与预测.     

基于灰色BP神经网络的中国人口预测模型

基于“国家人口发展战略研究报告”中的数据,采用“小波去噪”处理方法,建立GM（1,1）模型与BP神经网络相结合的灰色神经网络模型,对中国人口结构、分布、出生率、自然增长率、数量、抚养比例、男女比例等七个指标进行预测,并对预测结果运用PP样条拟合进行计算机模拟。     

基于小波去噪和神经网络的建筑工程沉降变形预测模型

为了提高建筑工程沉降变形预测的准确性,设计了基于小波去噪和神经网络的建筑工程沉降变形预测模型.首先采集建筑工程沉降变形相关数据,并采用小波去噪消除噪声对建模过程带来的干扰;然后采用神经网络对去噪后的数据进行建模,构建建筑工程沉降变形预测模型;最后通过建筑工程沉降变形预测实验对预测模型的性能进行了测试.测试结果表明,该模...     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

基于小波包和基因表达式编程的大坝变形数值预测探讨

由于获得的变形监测数据存在着偶然误差,而直接进行基因表达式编程的模型建立,则预测结果往往与真实值相差较大。本文对含噪声的观测值进行小波包去噪,再分别使用去噪数据与原始数据进行建模,实验对比分析表明噪声对基因表达式编程模型的预测产生着一定的影响,并得出在建模前应该进行相关的去噪工作,从而建立的模型进行预测其结果与真实值相差较小,可达到对大坝的变形预测分析及大坝的安全监控的目的。     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

基于CEEMD小波去噪的一种预测碳排放的新方法

针对模型的输入数据优化问题，本文提出一种基于互补集总经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)小波联合去噪的神经网络碳排放预测方法。首先，采用CEEMD小波联合去噪对数据进行去噪提纯；其次，运用优化后的训练样本和输入数据建立碳排放量预测模型；最后，以“一带一路”主要经济体碳排放量为例，运用改进模型和传统模型分别进行试验仿真。仿真结果表明：经CEEMD小波联合去噪后的时序数据纯度更高，更加平稳；改进后的模型预测拟合效果更优、误差更小。此外，本文进行碳排放外推预测，结果表明：使用CEEMD小波联合去噪联合反向传播(back propagation algorithm, BP)神经网络、模糊神经网络模型在预测中具有可观的容错性能及精确度。     

基于BP神经网络高光谱土壤氮素信息检测研究

通过高光谱技术获得的光谱信息与化学法测得的氮素含量相结合,对几种预处理方法:S-Golay平滑滤波、小波去噪、多元散射、微分处理进行比较分析并探讨BP神经网络在高光谱检测土壤氮素信息领域应用的可靠性,经过实验证明通过S-Golay平滑滤波和一次导数的预处理方法较优而BP神经网络是一种土壤氮素预测效果较好的建模方法。     

基于优化支持向量机及极限学习机的滑坡变形趋势研究

受地质环境及多种诱发因素的影响,滑坡变形包含了多层次的信息,通过单一预测模型难以准确、有效地判断滑坡变形趋势.因此,建立多方法集合的系统模型十分必要.首先,利用小波去噪对滑坡变形序列进行去噪处理,将滑坡变形分解为趋势项和误差项,采用PSO-SVM模型对滑坡变形的趋势项进行预测,利用ELM神经网络进行误差修正,两者结果叠加即得到滑坡的变形预测值;其次,利用秩相关系数检验对滑坡的变形趋势进行判断,以验证前法预测结果的准确性,并探讨该方法在滑坡变形趋势判断中的适用性.经实例检验,得出:该预测模型的预测值与实测值基本相符,且较单一预测模型具有更高的预测精度;同时,秩相关系数检验的结果与预测结果相符,验证了变形预测结果的准确性及该方法在滑坡变形趋势判断中的适用性.     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

主成分分析与BP网络组合的大坝变形预报

将主成分分析与BP神经网络相结合应用到大坝变形影响因子的优化中,建立大坝变形预测模型.可以有效地降低输入因子的维数,减小因子之间相关性的影响,简化网络结构,降低网络训练难度,提高预测的稳定性及精度,提升BP网络训练的效率,解决由影响因子内部相关性而需引入大量因子的问题.通过实验结果对比表明,主成分分析与BP网络相结合的...     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

一种适用于高铁变形预测的组合模型建立方法

针对高铁变形预测中呈现原始数据受噪声影响大与长期预测不准确的问题,提出了一种基于小波去噪的自适应灰色马尔科夫(GM(1,1)-MC)组合预测模型。该模型通过引入小波去噪削弱随机扰动误差的影响,运用自适应GM(1,1)进行预测,进而基于马尔科夫修正模型进行数据修正。通过实验结果与对比分析表明,此模型能够较好地削弱测量过程中由各种因素引起的噪声的影响,实现了残差数据的部分收敛;提升了原始模型的预测精度;在预测主体的后期发展趋势上能够给予较好的预报与评估。     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

小波理论在模糊神经网络预测中的应用

本在研究运用模糊神经网络进行预测的基础上，提出应用小波理论对时间序列信号进行去噪并根据去噪处理在模糊神经网络预测中作相应处理，提高在实际中模糊神经网络预测的准确性与及时性。     

大坝变形蚁群聚类径向基函数神经网络安全监控预测模型

本文研究了蚁群聚类法和径向基函数神经网络的基本原理,结合大坝变形安全监控的要求,探讨了大坝变形监测数据聚类处理方法,构建了径向基神经网络隐层基函数,由此表征了大坝变形规律的影响因素与变形之间的非线性映射关系.通过上述研究,建立了大坝变形蚁群聚类径向基函数神经网络(ACC-RBF)安全监控模型.实例分析表明,所提出的模型比传统的径向基神经网络模型预测精度更高.     

改进灰色关联熵结合BP网络铁水脱硫率预测模型

提出改进灰色关联熵结合神经网络的铁水脱硫率预测模型,用以降低脱硫成本,提高脱硫效率.将灰色关联与改进熵权法结合,优化输入,选取铁水进站质量、进站温度、温降、喷吹时间、石灰消耗量、镁消耗量与进站硫量作为神经网络的输入量,构建预测模型,并与其他模型的预测结果进行了对比分析.结果表明,改进灰色关联熵结合神经网络模型的预测精度更高,与单一BP神经网络、深度神经网络、随机森林模型相比,平均误差分别降低了4.20％、3.83％、4.65％.