基于小波神经网络组合模型的高填方路基沉降预测

利用小波变换良好的时频局域化性质和神经网络的自学习功能,结合S型成长曲线模型,建立了基于小波神经网络的高速公路高填方路基沉降预测模型,该模型的应用避免了计算过程中各种人为因素的影响.通过对汝(城)郴(州)高速公路K59+375~K59+445高路堤沉降现场监测数据的学习、预测与检验,并与S型成长曲线模型和BP神经网络的预测结果相比较,结果表明,组合模型的预测精度高,与实际情况相吻合.     

灰色模型结合神经网络预测高速公路路基沉降

为了提高高速公路路基沉降的预测精度,考虑到神经网络强大的非线性映射功能,提出了"灰色模型+神经网络"对高速公路路基沉降进行预测分析的组合方法。以湖南省某高速公路路基沉降多个断面实测数据构建灰色GM(1,1)预测模型,在采用构建的灰色模型预测出相应结果的基础上,运用神经网络对预测结果做误差补偿。研究结果表明,采用实测数据拟合的灰色模型预测值的最大相对误差与运用神经网络对预测结果做误差补偿之后的优化预测值的最大相对误差分别为19.193%和0.865%,用神经网络对灰色模型预测结果做误差补偿之后的优化预测值与实测值更接近。     

神经网络针对高速软土路基沉降的预测研究

针对高速公路建设软土路基沉降问题,采用BP神经网络模型进行预测,并分别对预测值和实际监测值做了对比,提出相应的不足和其具有的合理性,证明了该模型可以在短期内对软土路基沉降量作出预测。     

神经网络在填石路堤沉降计算中的应用

通过对我国近年来所取得的填石路堤的沉降观测资料进行整理分析,提出了填石路堤沉降计算的新方法,即BP神经网络模型计算方法。采用BP神经网络较强的非线性映射能力和学习能力,提出了基于BP神经网络的填石路堤沉降预测的新方法。     

BP与GM(1,1)预测隧道涌水对比分析和实证

利用某隧道的涌水监测数据,对比BP神经网络和GM(1,1)灰色数列预测模型两种方法预测结果的差异,以考察其适应性与误差。结果显示,在小样本信息量少的情况下,GM(1,1)预测精度优于BP,但训练样本的精度低于BP;BP的预测结果同隐含层神经元个数密切相关,并存在一最优值;在监测数据较少时,对BP网络进行初始化和预测,每次训练样本的误差都满足要求,但预测值的误差大幅波动。研究表明,监测数据较少时,采用GM(1,1)较合适。通过分析小样本下产生上述结果的原因,提出了在有足够监测数据下,GM(1,1)用于中长期监测的改进方法(GM(1,1)展开或用Verhulst模型)、BP神经网络的改进方法(滑移窗口处理)。     

超限学习机在高速公路路基沉降预测中的应用

为了探索超限学习机在路基沉降预测应用中的潜力和优势,以湖南省某高速公路为研究对象,通过超限学习机算法对路基多个断面的实测沉降数据进行了预测建模,并与BP神经网络和支持向量机进行了对比分析。研究结果表明,采用超限学习机对K4+300断面和K20+840断面的预测值的最大相对误差分别为0.199%和0.176%,精度明显优于BP神经网络和支持向量机。故超限学习机能够对路基沉降做出较为科学、合理的预测。     

灰色-小波神经网络在高层建筑物沉降预测中的应用

滑动GM(1,1)模型对沉降的整体趋势有较好的预测结果,小波神经网络能够对非线性随机数据进行有效的预测,将两者结合起来能够提高预测精度。利用高层建筑物的沉降监测数据,构建GM(1,1)、滑动GM(1,1)和灰色-小波神经网络模型对高层建筑物沉降变形进行预测与分析。结果表明,灰色-小波神经网络预测效果优于滑动GM(1,1)和GM(1,1)模型且具有较高的精度。     

基于BP神经网络改进的GM（1,N）模型在经济预测中的应用——以河南省经济为例

论文就修正GM（1,N）预测模型的误差,提出了新方法。使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响。实践表明这些改进模型可以有效地提高GM（1,N）模型的预测精度。     

灰色理论在高路堤沉降预测中的应用

运用灰色理论中的GM(1,1)模型对高路堤的沉降进行了预测,取沉降观测点在相同观测时段内的沉降量为原始序列,将其作1次累加生成1次累加序列,根据GM(1,1)模型建立灰色微分方程,其参数由最小二乘法得出,解微分方程可得方程的时间响应序列,也就是所预测的随时间而变化的沉降值.并采用后验差法对模型的可靠性进行了检验.通过对京珠高速公路某段高路堤线性填土期和静载期实测沉降数据的分析,证明将灰色理论应用于预测高路堤不同填筑时期的沉降量是可行的;在实际运用过程中,为了获得更准确的结果,应不断代入新近的实测数据.     

灰色模型在我国人口预测中的应用

人口问题就是一个典型的灰色系统问题,在灰色GM(1,1)模型的基础上,构建了灰色+BP神经网络组合模型。根据1949-2011年我国人口发展的最新统计资料,提出并建立变换初值灰色模型,然后利用两种模型预测值的均值对我国人口发展趋势进行中长期预测。     

大型地下空间综合交通枢纽中巨型斜柱长期沉降的监测及预测分析

结构及其重要构件的长期沉降是影响地下空间综合交通枢纽施工安全的关键因素之一,对其开展监测与预测具有重要的工程意义。以深圳市黄木岗大型地下空间综合交通枢纽为研究背景,采用自动化监测系统,首先监测了12轴巨型斜柱施工后的119期长期沉降,分析其长期沉降规律,并评判其预警状态。监测结果表明,斜柱施工后,长期的沉降规律为先在安全状态内小幅波动,再增大至黄色预警状态,最后在安全状态与预警状态之间小幅波动。然后,利用109期监测数据分别构建斜柱沉降的反向传播(back propagation, BP)神经网络模型和遗传算法-BP(genetic algorithm-BP,GA-BP)神经网络模型,并预测之后10期的斜柱累计沉降量以对比验证两种模型效果。结果表明,相比BP神经网络模型,GA-BP神经网络模型的预测值与实测值更吻合。     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

皖北煤矿高层建筑物沉降数据处理与预测

利用GM(1,1)灰色系统预测原理,提出系统的设计思路及特点、同时结合五组实际观测数据,建立"GM(1,1)灰色系统预测模型沉降监测数据分析表",以按要求自动生成5组沉降还原数据,4组沉降预测数据,对模型的预测值与原始值进行绝对误差比较,生成曲线图,实现模型预测的计算及结果分析,来实现高效率的生产需要,给煤矿高层建筑物的稳定性提供科学的分析。     

改进的灰色模型在软土路基沉降预测中的应用

路基的最终沉降变形对于确定铺筑路面时间、控制和安排施工进度以及路堤的安全与正常使用至关重要.GIM(1)模型是一种改进的GM(1,1)模型,采用等维GIM(1)模型对路基沉降进行了动态滚动预测,预测结果表明该模型精度能够满足工程需要.     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

一种新的组合灰色神经网络预测模型

对GM（1，1）灰色和几种灰色组合模型进行了讨论，针对多个相关序列预测的问题，提出了组合灰色GM（1，1）神经网络预测模型。此方法采用灰色模型对各序列进行预测，然后利用神经网络对预测值进行校正，得到最终预测值。实例表明此种模型在实际应用中的确能够提高预测精度。     

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。     

基于ABC-BP神经网络的地铁盾构地表沉降预测

为研究地层参数和盾构掘进参数与地表沉降的非线性关联性,依托南京地铁6号线盾构区间,采用人工蜂群算法ABC优化BP神经网络,建立可预测地表沉降的ABC-BP神经网络模型。连续3个断面地表沉降预测结果表明:ABC-BP神经网络的预测精度和预测稳定性优于BP神经网络,且预测值与实测值一致；ABC-BP神经网络可较为准确地反映盾构机接近监测断面过程中的地表变形演变规律,最终实现地表变形控制的目的。提出了ABC-BP神经网络现场应用思路,构建了地层-掘进参数-沉降的关系,进而通过地层参数直接实现对盾构掘进参数和地表变形控制。     

基于马尔克夫的灰色残差GM(11)模型在塑料老化行为预测中的应用

针对数据的离散程度较大时灰色GM(11)模型的预测精度较差这一问题引入残差修正在采用马尔克夫过程确定预测值的残差修正值正负号的基础上通过对灰色GM(11)模型得到的模拟值和预测值进行修正构建了基于马尔克夫的灰色残差GM(11)模型。以大气自然老化环境下LDPE棚模的拉伸强度的预测为例研究所建模型在塑料老化行为预测中的适用性。结果表明：由所建模型得到的LDPE棚模老化18个月和21个月的拉伸强度预测值与实际值的相对误差分别为1.49%和4.96%预测精度明显高于灰色GM(11)模型(相对误差分别为3.40% 和6.75%)可用于塑料老化行为的预测。马尔克夫的灰色残差GM(11)模型所需实验数据少预测精度高为塑料老化行为的预测提供了一种简易而可靠的新途径。     

城市建筑安装涂料VOCs排放量模拟预测研究

通过建立灰色离散分数阶预测模型GM(1,1)、BP和RBF神经网络预测模型,以西安市建筑安装涂料产生的VOCs为例,将用于建筑安装的涂料量以及其驱动因子数据作为模型的输入值,用收集整理的2004—2011年16组西安建筑安装涂料消耗量数据进行BP和RBF神经网络训练模拟,2011—2014年5组年数据进行检验预测,采用曲线拟合度和相对误差2个评价指标对3种预测模型结果进行比较分析。结果表明,灰色预测、BP和RBF神经网络预测模型的样本训练及预测的平均误差为:-16.53%,、7.05%,和4.73%,,结合真实值与预测值的曲线拟合和误差下降曲线来看,RBF神经网络的预测结果优于BP神经网络预测结果,采用RBF神经网络预测模型对城市建筑安装VOCs的排放量进行预测具有模拟效果好和预测精度高的优势,对城市VOCs的治理有一定的参考价值。