kalman-bp神经网络组合模型在建筑物沉降预测中的应用.docxVIP

kalman-bp神经网络组合模型在建筑物沉降预测中的应用.docx

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
kalman-bp神经网络组合模型在建筑物沉降预测中的应用 摘要:为了弥补单一BP神经网络在建筑物沉降预测上的不足,提高建筑物沉降预测精度,提出Kalman-BP神经网络组合模型。首先通过Kalman滤波算法消除实测数据中的随机噪声,将去噪后的数据作为样本输入BP神经网络中,最终实现建筑物沉降值的预测。实践结果表明,Kalman-BP神经网络模型的拟合平均相对中误差为1.73%,后验方差为0.001 2,预测平均相对中误差为1.13%,后验方差为0.045 7。相比单一的BP神经网络模型,Kalman-BP神经网络模型能有效降低平均相对中误差和后验方差,提高预测精度。 建筑物施工与运行期间的变形监测,是保障建筑物安全稳定运行的重要手段。变形监测数据是通过长期重复观测获取,如何从已经获取的监测数据中动态预测建筑物地表形变,是对建筑物进行安全评估的关键问题。 目前,对于建筑物沉降的预测,国内外学者根据不同应用场景提出了多种预测方法,如通过支持向量机和BP神经网络等智能算法构建沉降预测模型,或者通过时间函数模型和力学模型构建沉降预测模型 1 算法模型 1.1 Kalman滤波模型原理 Kalman滤波是根据数据当前状态,实现对下一刻数据的预测,是一种最优回归数据处理方法。Kalman滤波算法由2个过程组成:一步预测过程和校正过程 式中, 校正过程主要是为了获取最优估计值,通过3个方程对先前预测值进行校正。 式中, 1.2 BP神经网络是一种前向神经系统,目前,绝大部分人工神经网络模型都使用BP神经网络算法。BP神经网络分为三层,分别为输入层、中间层及输出层 1.3 Kalman-BP组合模型原理 在测量过程中,受到随机误差的影响,导致数据不稳定,会对BP神经网络的预测结果产生影响。使用单一的BP神经网络进行预测时,由于随机误差会对训练过程产生影响,造成拟合数据不准确,最终使预测结果的偏差也逐渐变大 2 工程实例分析 本文选取某建筑物2019年3月14日至2019年7月14日的平均沉降值作为试验数据,训练样本选择前8期的观测数据,具体实测沉降数据如表1所示。 2.1 Kalman滤波去噪 由于Kalman滤波算法将被估计的信号看作是在白噪声作用下一个随机线性系统的输出,并且其输入/输出关系由状态方程和输出方程在时间域内给出,所以,Kalman滤波不仅适用于平稳随机过程的滤波,也适用于非平稳序列的滤波,故本文采用Kalman滤波进行沉降数据的处理。 对沉降变形点观测数据进行Kalman滤波处理,根据去噪后数据计算得到的均方误差较小,为0.053 mm, 信噪比较大,为44.286 dB,说明Kalman 滤波具有较好的去噪效果;通过对比Kalman滤波去噪前后的观测数据沉降变形曲线(见图3)可知, Kalman 滤波去噪处理有效减少了观测数据中的随机噪声,削弱了沉降变形曲线中的尖端点,使沉降曲线更平滑、更接近真实沉降情况,具有较好的去噪效果。 2.2 BP神经网络训练 BP神经网络预测模型对检测数据集的逼近能力较差,表现为“过拟合”,但是,对数据集的逼近能力较强。本文通过将数据分为训练、验证和测试3种样本来避免出现“过拟合”。首先,将前8期基坑沉降观测数据作为BP神经网络训练样本,得到训练样本均方差曲线,如图4所示。 由图 4可知,经过 87 次样本训练,均方差曲线收敛于10 2.2.1 拟合效果对比 将BP神经网络模型用模型1表示,Kalman- BP神经网络模型用模型2表示,图5为2种模型拟合结果与实测数据曲线,表2为2种模型拟合的结果与残差值。 由表2和图5可知,BP神经网络模型拟合结果虽然与实测曲线走向大致相同,但出现了2次较大的偏离,由于在初始阶段没有较好地拟合出沉降数据,导致后来的拟合效果不理想,拟合残差最大值甚至达到0.258 4 mm。Kalman滤波去噪效果较为明显,拟合残差值有所降低,可通过平均相对误差和后验方差对拟合效果进行具体评价。平均相对误差越小,表示模型精度越高,处理效果越好。后验方差可以反映出处理后的离散程度,其值越小,表示处理的效果越好。计算平均相对误差和后验方差,结果如表3所示。 2.2.2 预测效果对比 由表3可知,即使在数量较少(如13期)的沉降数据预测中,利用单一的BP神经网络会产生较大的拟合误差,Kalman-BP神经网络模型通过Kalman滤波能在一定程度上去除观测数据中的噪声,缓解不合理起伏,从而提高拟合精度。预测数据的结果如表4所示,原始观测数据与利用2种预测模型得到的预测数据见图6。 由图6可知,随着预测期数的增加,BP神经网络模型预测的数据精度也随之下降,偏差明显增大,为提高BP神经网络预测精度,可以在预测数据中增加实测数据。实

文档评论(0)

xlwkyc + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档