基于PSO-LSSVM模型的基坑變形時間序列預(yù)測
格式:pdf
大?。?span id="xfgc7jf" class="single-tag-height" data-v-09d85783>521KB
頁數(shù):6P
人氣 :66
4.5
現(xiàn)場量測獲得的基坑變形資料蘊含了系統(tǒng)內(nèi)部力學(xué)演化信息。針對基坑變形影響因素的復(fù)雜性、監(jiān)測數(shù)據(jù)的高度非線性以及人工神經(jīng)網(wǎng)絡(luò)方法的過學(xué)習(xí)問題,利用粒子群(PSO)算法優(yōu)選最小二乘支持向量機(LSSVM)參數(shù),并結(jié)合相空間重構(gòu)理論進(jìn)行數(shù)據(jù)預(yù)處理,提出了一種基于PSO-LSSVM模型的基坑變形時間序列預(yù)測方法。利用該方法建立基坑變形預(yù)測模型應(yīng)用于動態(tài)設(shè)計和信息化施工,對保證基坑安全具有重要意義。將該方法用于昆明某基坑工程的深層水平位移預(yù)測,不斷利用基坑前期工況的最新實測數(shù)據(jù)建模,對后期工況變形量進(jìn)行滾動預(yù)測,獲得了令人滿意的效果。
基于PSO-LSSVM模型的基坑周邊建筑傾斜預(yù)測
格式:pdf
大?。?span id="lopsb16" class="single-tag-height" data-v-09d85783>451KB
頁數(shù):6P
針對基坑周邊建筑傾斜變形影響因素的復(fù)雜性,以及監(jiān)測數(shù)據(jù)的小樣本和非線性特征,提出了一種基于pso-lssvm模型的基坑周邊建筑傾斜的時間序列預(yù)測方法。采用相空間重構(gòu)對基坑前期施工工況下的周邊建筑沉降差時間序列進(jìn)行重構(gòu),構(gòu)建沉降差預(yù)測的學(xué)習(xí)樣本輸入到最小二乘支持向量機(lssvm)中訓(xùn)練。利用粒子群算法(pso)對lssvm參數(shù)進(jìn)行優(yōu)化,獲得最優(yōu)預(yù)測模型,對后期工況施工期間的沉降差進(jìn)行滾動預(yù)測,并代入公式計算得到未來傾斜變形值。將該方法用于昆明某基坑工程的周邊建筑傾斜預(yù)測分析,取得了令人滿意的預(yù)測結(jié)果。
基于PSO-LSSVM模型的基坑周邊建筑傾斜預(yù)測??
格式:pdf
大?。?span id="v2vlpnw" class="single-tag-height" data-v-09d85783>451KB
頁數(shù):6P
針對基坑周邊建筑傾斜變形影響因素的復(fù)雜性,以及監(jiān)測數(shù)據(jù)的小樣本和非線性特征,提出了一種基于pso-lssvm模型的基坑周邊建筑傾斜的時間序列預(yù)測方法。采用相空間重構(gòu)對基坑前期施工工況下的周邊建筑沉降差時間序列進(jìn)行重構(gòu),構(gòu)建沉降差預(yù)測的學(xué)習(xí)樣本輸入到最小二乘支持向量機(lssvm)中訓(xùn)練。利用粒子群算法(pso)對lssvm參數(shù)進(jìn)行優(yōu)化,獲得最優(yōu)預(yù)測模型,對后期工況施工期間的沉降差進(jìn)行滾動預(yù)測,并代入公式計算得到未來傾斜變形值。將該方法用于昆明某基坑工程的周邊建筑傾斜預(yù)測分析,取得了令人滿意的預(yù)測結(jié)果。
基于LS-SVM的基坑變形時間序列預(yù)測模型
格式:pdf
大?。?span id="a3iln9j" class="single-tag-height" data-v-09d85783>688KB
頁數(shù):4P
4.7
針對神經(jīng)網(wǎng)絡(luò)用于基坑變形預(yù)測存在結(jié)構(gòu)難確定、訓(xùn)練易陷入局部最優(yōu)及易過學(xué)習(xí)等問題,構(gòu)造滾動時間窗,以已有的實測時間序列為樣本,利用最小二乘支持向量機(ls-svm)建立基坑預(yù)測模型,應(yīng)用網(wǎng)格搜索算法優(yōu)化模型參數(shù),連續(xù)滾動地多步預(yù)測基坑變形。實例結(jié)果表明,該模型預(yù)測效果優(yōu)于bp神經(jīng)網(wǎng)絡(luò),具有所需數(shù)據(jù)少、推廣能力強等優(yōu)點。
PSO-RBFNN模型及其在巖土工程非線性時間序列預(yù)測中的應(yīng)用
格式:pdf
大小:663KB
頁數(shù):6P
4.7
巖土工程受力變形演化是一個典型的非線性問題,其演化的高度非線性和復(fù)雜性,很難用簡單的力學(xué)、數(shù)學(xué)模型描述,但可用粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)對巖土工程應(yīng)力、位移非線性時間序列進(jìn)行動態(tài)實時預(yù)測。網(wǎng)絡(luò)徑向基層的單元數(shù)通過均值聚類法確定后,所有其它參數(shù):中心位置、形狀參數(shù)、網(wǎng)絡(luò)權(quán)值,均通過粒子群優(yōu)化算法在全局空間優(yōu)化確定。工程實例應(yīng)用表明,該模型預(yù)測結(jié)果準(zhǔn)確、精度高,有良好的應(yīng)用前景。
基于BP模型與ARX模型的基坑變形預(yù)測研究
格式:pdf
大?。?span id="6noabil" class="single-tag-height" data-v-09d85783>536KB
頁數(shù):5P
4.5
隨著建設(shè)工程施工的信息化與安全化,基坑的變形預(yù)測是基坑設(shè)計和施工的重要補充手段?;赽p人工神經(jīng)網(wǎng)絡(luò)模型以及時序分析arx自回歸各態(tài)歷經(jīng)模型,對基坑的沉降變形進(jìn)行了預(yù)測,數(shù)據(jù)結(jié)果表明兩種模型均能較好地對未來值進(jìn)行較真實的預(yù)測;從bp模型與arx模型的預(yù)測結(jié)果均方誤差值大小的角度而言,bp模型的預(yù)測對于未來趨勢的判斷比arx模型要更強一些。試驗結(jié)果說明兩種預(yù)測模型應(yīng)用于實際工程的監(jiān)測預(yù)測具有實際意義。
基于PSO-LSSVM的建筑施工事故預(yù)測方法研究
格式:pdf
大?。?span id="cn1w4za" class="single-tag-height" data-v-09d85783>127KB
頁數(shù):5P
4.6
針對建筑施工事故原始樣本少、隨機波動大和預(yù)測難度大等特點,對建筑施工事故小樣本預(yù)測問題展開研究。采用lssvm對建筑施工事故進(jìn)行回歸建模,發(fā)揮粒子群算法計算速度快和具有較強全局搜索能力的優(yōu)點,基于pso對lssvm參數(shù)進(jìn)行優(yōu)化;以相關(guān)文獻(xiàn)建筑施工事故為預(yù)測案例,運用所提方法進(jìn)行仿真實驗。結(jié)果表明:采用pso-lssvm預(yù)測方法的絕對誤差(mape)為2.99%,并且每年的預(yù)測相對誤差都低于5%,遠(yuǎn)低于現(xiàn)有研究方法得出的結(jié)果,說明所提方法具有預(yù)測精度高、泛化能力強的特點,能滿足工程應(yīng)用要求。
小波與時間序列組合模型分析和預(yù)測建筑物沉降變形
格式:pdf
大?。?span id="1uvz6ed" class="single-tag-height" data-v-09d85783>254KB
頁數(shù):3P
4.4
介紹了小波分析與時間序列組合模型的優(yōu)點,給出了利用該組合方法對建筑物變形監(jiān)測數(shù)據(jù)進(jìn)行分析和預(yù)測的思路,并對長江紫都c塊1#樓的沉降監(jiān)測數(shù)據(jù)進(jìn)行了分析和預(yù)測。結(jié)果表明,該方法能有效分析和預(yù)測建筑物的沉降變形情況,建筑物各沉降點的累積沉降量均在允許的范圍內(nèi),隨時間的推移,沉降累積量趨于平穩(wěn),該建筑物基本穩(wěn)定。
基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預(yù)測研究
格式:pdf
大?。?span id="wddezux" class="single-tag-height" data-v-09d85783>413KB
頁數(shù):7P
4.5
為了快速準(zhǔn)確的預(yù)測基坑開挖對周圍建筑物沉降的影響,本文提出一種結(jié)合多智能體粒子尋求lssvm(最小二乘支持向量機)模型參數(shù)的算法,提高了lssvm算法的預(yù)測精度.采用該算法對昆明市某基坑開挖過程中周圍建筑物的沉降進(jìn)行預(yù)測,并與其他預(yù)測方法進(jìn)行對比,結(jié)果表明該算法具有收斂速度快、預(yù)測精度高等特點.
改進(jìn)GM(1,1)模型在基坑變形預(yù)測中的應(yīng)用
格式:pdf
大?。?span id="jp6bxbe" class="single-tag-height" data-v-09d85783>561KB
頁數(shù):4P
4.5
分析得出原始gm(1,1)模型對應(yīng)的灰微分方程僅是白化微分方程的梯形積分形式,因此以辛普生求積公式為基礎(chǔ)建立了新的灰微分方程,而辛普生求積公式也是一種近似表達(dá)形式,因而對新的灰微分方程添加動態(tài)擾動項,以彌補灰微分方程與白化微分方程的差別,同時對初始值添加修正項,使其更加符合最小二乘法思想。將改進(jìn)后的gm(1,1)模型應(yīng)用到基坑變形預(yù)測中,實例應(yīng)用結(jié)果顯示,改進(jìn)的gm(1,1)模型具有較高的預(yù)測精度。
灰色預(yù)測模型在基坑變形中的應(yīng)用
格式:pdf
大?。?span id="h9pd7g1" class="single-tag-height" data-v-09d85783>212KB
頁數(shù):3P
3
灰色預(yù)測模型在基坑變形中的應(yīng)用——基于基坑監(jiān)測變形值具有一定的灰色特征,利用灰色系統(tǒng)理論建立了基坑監(jiān)測變形值的等步長與非等步長gm(1,1)預(yù)測模型。通過對某基坑樁頂位移變形數(shù)據(jù)的預(yù)測,表明了灰色預(yù)測模型在基坑變形監(jiān)測中具有較好的可行性及可靠性。
改進(jìn)GM(1,1)模型在基坑變形預(yù)測中的應(yīng)用
格式:pdf
大小:264KB
頁數(shù):4P
3
改進(jìn)gm(1,1)模型在基坑變形預(yù)測中的應(yīng)用——分析得出原始gm(1,1)模型對應(yīng)的灰微分方程僅是白化微分方程的梯形積分形式,因此以辛普生求積公式為基礎(chǔ)建立了新的灰微分方程,而辛普生求積公式也是一種近似表達(dá)形式,因而對新的灰微分方程添加動態(tài)擾動項,以彌補...
灰色加權(quán)模型在深基坑變形預(yù)測中的應(yīng)用
格式:pdf
大小:211KB
頁數(shù):4P
3
灰色加權(quán)模型在深基坑變形預(yù)測中的應(yīng)用——深基坑的變形及其預(yù)測是工程建設(shè)中經(jīng)常遇到的重要問題,論文對加權(quán)灰色模型應(yīng)用于該領(lǐng)域作了探討。在進(jìn)行加權(quán)模型理論計算的基礎(chǔ)上,以深基坑實際變形監(jiān)測資料為基礎(chǔ),利用原始模型結(jié)果作為比較基礎(chǔ),對加權(quán)模型進(jìn)行了...
GM(1,1)優(yōu)化模型在基坑變形預(yù)測中的應(yīng)用
格式:pdf
大?。?span id="wbc1rb6" class="single-tag-height" data-v-09d85783>153KB
頁數(shù):3P
3
gm(1,1)優(yōu)化模型在基坑變形預(yù)測中的應(yīng)用——基坑邊坡系統(tǒng)是一典型的灰色系統(tǒng)。其變形發(fā)展過程可用灰色系統(tǒng)理論進(jìn)行預(yù)測。本文在常規(guī)全息gm(1,1)模型的基礎(chǔ)上,采用等維新息迭代法gm(1,1)模型對鄭州太陽城紫荊花園基坑變形進(jìn)行模擬預(yù)測,結(jié)果表明了迭代法g...
GM-LSSVM模型在建筑能耗預(yù)測中的應(yīng)用
格式:pdf
大?。?span id="y63m4vc" class="single-tag-height" data-v-09d85783>489KB
頁數(shù):8P
4.4
為提高大型公共建筑能耗的預(yù)測精度,提出一種基于灰色模型和最小二乘向量機方法(gm-lssvm)的辦公能耗預(yù)測模型.該方法結(jié)合灰色建模計算簡單的特點,以及最小二乘支持向量機非線性擬合能力和泛化能力強的優(yōu)勢,充分發(fā)掘樣本數(shù)據(jù)的規(guī)律,并以粒子群優(yōu)化算法進(jìn)行模型參數(shù)選擇.根據(jù)福州某大型公共建筑能耗數(shù)據(jù),通過本研究提出的方法建立預(yù)測模型,并與神經(jīng)網(wǎng)絡(luò)模型以及最小二乘支持向量機模型的預(yù)測結(jié)果進(jìn)行比較,驗證了該方法具備較高的預(yù)測精度和較強的泛化能力.
基于季節(jié)性時間序列模型的空調(diào)負(fù)荷預(yù)測
格式:pdf
大?。?span id="or2gl2k" class="single-tag-height" data-v-09d85783>128KB
頁數(shù):6P
4.6
基于空調(diào)負(fù)荷預(yù)測的優(yōu)化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調(diào)負(fù)荷預(yù)測競賽研究成果的基礎(chǔ)上指出,利用季節(jié)性時間序列模型建模預(yù)測精度較高,且工程實施簡便,特別適合于空調(diào)系統(tǒng)連續(xù)運行、負(fù)荷波動規(guī)律性較強的建筑物負(fù)荷預(yù)測。本文概要介紹利用季節(jié)性時間序列模型進(jìn)行建模預(yù)測的理論和方法,并通過工程實例驗證了建模方法的有效性。
基于時間序列分析的露天礦邊坡沉降預(yù)測模型
格式:pdf
大小:168KB
頁數(shù):5P
4.5
結(jié)合小波分析在數(shù)據(jù)處理方面的優(yōu)勢,采用小波包去噪對露天礦邊坡沉降數(shù)據(jù)進(jìn)行去噪處理,再結(jié)合時間序列分析理論建立小波包-時間序列預(yù)測模型,從而對露天礦邊坡進(jìn)行變形分析預(yù)測。通過實驗數(shù)據(jù)對比分析,結(jié)合小波包去噪與時間序列分析理論模型對露天礦邊坡沉降數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測精度較高,能夠?qū)ΦV區(qū)邊坡的沉降進(jìn)行預(yù)測。
基于時間序列和灰色模型的交通事故預(yù)測
格式:pdf
大?。?span id="ktu6iee" class="single-tag-height" data-v-09d85783>179KB
頁數(shù):未知
4.5
利用時間序列和灰色模型理論,針對北方某城市的交通事故統(tǒng)計數(shù)據(jù),分別建立了自回歸移動平均模型及灰色模型,并對各模型進(jìn)行了步長為12的預(yù)測。通過模型對比發(fā)現(xiàn):2個模型的預(yù)測絕對誤差分別為23.95%和54.32%,且對于具有季節(jié)周期性特點的序列,自回歸移動平均模型的預(yù)測結(jié)果與實際觀測值比較吻合,說明自回歸移動平均模型比灰色模型更能充分挖掘歷史信息以減少預(yù)測誤差,并反映數(shù)據(jù)的周期性變化,具有良好的適用性。
基于城市建筑變形監(jiān)測系統(tǒng)的時間序列模型研究
格式:pdf
大?。?span id="x47nnvu" class="single-tag-height" data-v-09d85783>592KB
頁數(shù):5P
4.5
以國家體育場(鳥巢)工程的沉降觀測數(shù)據(jù)為基礎(chǔ),論述了采用時間序列模型處理變形數(shù)據(jù)的原理和方法,并對建筑物的變形趨勢進(jìn)行了分析和預(yù)測,為建筑物的安全施工和正常使用提供了保障.
基于PSO-RBF的建筑能耗預(yù)測模型研究
格式:pdf
大?。?span id="qofkp4u" class="single-tag-height" data-v-09d85783>363KB
頁數(shù):4P
4.5
通過研究分析夏熱冬冷地區(qū)公共建筑能耗變化特點,建立了rbf神經(jīng)網(wǎng)絡(luò)建筑能耗預(yù)測模型。在此基礎(chǔ)上運用微粒群算法對模型優(yōu)化,建立了基于pso-rbf的建筑能耗預(yù)測模型。利用大量數(shù)據(jù)構(gòu)造樣本集,運用軟件分別對優(yōu)化前后的預(yù)測模型進(jìn)行訓(xùn)練,并運用到典型公共建筑能耗值的預(yù)測實例中。結(jié)果表明基于pso-rbf的建筑能耗預(yù)測模型的學(xué)習(xí)能力和預(yù)測能力強,能較準(zhǔn)確地實現(xiàn)公共建筑能耗預(yù)測。
基于小波分析的神經(jīng)網(wǎng)絡(luò)基坑變形預(yù)測模型
格式:pdf
大小:1.5MB
頁數(shù):5P
4.7
運用小波理論和神經(jīng)網(wǎng)絡(luò)理論不同結(jié)合方法建立地表變形預(yù)測模型。文中先建立了較為普遍的松散型的小波去噪神經(jīng)網(wǎng)絡(luò)模型和緊致型的小波神經(jīng)網(wǎng)絡(luò)模型,分析了小波去噪和bp神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)選取過程?;趯崪y數(shù)據(jù)分析可得:三種模型的預(yù)測效果較單一的bp神經(jīng)網(wǎng)絡(luò)預(yù)測效果更好;基于小波變換的神經(jīng)網(wǎng)絡(luò)預(yù)測模型的平均絕對百分比誤差為0.15,優(yōu)于另兩種模型的預(yù)測精度。
杭州灣懸浮泥沙濃度時間序列模型和預(yù)測
格式:pdf
大?。?span id="z7dttxy" class="single-tag-height" data-v-09d85783>112KB
頁數(shù):4P
4.5
根據(jù)杭州灣懸浮泥沙濃度的時間序列數(shù)據(jù),通過數(shù)據(jù)預(yù)處理、模型識別、定階、參數(shù)估計及適應(yīng)性檢驗,建立了一個arima(3,1,2)模型,并對未來杭州灣懸浮泥沙的濃度作了預(yù)測.結(jié)果表明,arima模型對描述和預(yù)測杭州灣懸浮泥沙濃度具有較高的精度.
基于SVM的高層建筑變形的時間序列預(yù)測
格式:pdf
大?。?span id="5bi9lqt" class="single-tag-height" data-v-09d85783>513KB
頁數(shù):4P
4.8
介紹了支持向量機回歸原理,建立了某高層建筑變形的時間序列預(yù)測模型,并采用網(wǎng)格搜索法對模型參數(shù)進(jìn)行選擇,保證模型的泛化能力。實驗結(jié)果證明,和bp神經(jīng)網(wǎng)絡(luò)相比,支持向量機有更好的預(yù)測精度。
基坑變形灰色人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型及其應(yīng)用
格式:pdf
大?。?span id="7x9nose" class="single-tag-height" data-v-09d85783>171KB
頁數(shù):5P
4.5
針對基坑變形預(yù)測中信息的灰色性和數(shù)據(jù)的非線性性,提出用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測基坑變形的新方法。用一樁錨聯(lián)合支護(hù)體系實例進(jìn)行了預(yù)測研究,得到支護(hù)體系的不同預(yù)測模型的組合預(yù)測值。研究結(jié)果表明:灰色神經(jīng)網(wǎng)絡(luò)預(yù)測誤差比gm(1,1)預(yù)測模型小;與bp預(yù)測模型相比,前期誤差大,后期誤差小。在基坑變形監(jiān)測中,為了更準(zhǔn)確地預(yù)測基坑變形,可以采用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測與bp預(yù)測相結(jié)合的方法進(jìn)行預(yù)測。
文輯推薦
知識推薦
百科推薦
職位:項目安全總監(jiān)
擅長專業(yè):土建 安裝 裝飾 市政 園林