基于小波神经网络的建筑物沉降预测方法研究

《基于小波神经网络的建筑物沉降预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、济南大学硕十学位论文发现异常情况，及时预测未来性态和发展趋势，防止灾害的发生，保证国家和人民生命财产的安全。(2)小波分析和神经网络在变形分析评价、预测中的应用是两种具有很大应用潜力的方法，由于小波变换和神经网络相结合具有更高预测精度和以更少的迭代次数收敛，为变形预测提供了一种新的手段和方法。小波神经网络的研究弥补单一方法的缺陷，是变形监测理论研究多种方法结合的进一步发展：可进一步扩充沉降预测的方法和内容，为更加合理有效地处理和分析建筑物沉降的监测资料提供新的途径和思路。(3)结合一些工程实例对沉降监测资料进行深入分析，总结经验，可更好地理解变形机理，验证有关工程设计理论，进行反馈设

2、计以及建立有效的变形预报模型。从而改进和提高设计、施工和管理的技术水平，使各安全沉降监测项目得到不断的完善。总而言之，变形监测工作的意义重点表现在两个方面：首先是实用上的意义，主要是掌握各种建筑物和地质构造的稳定性，为安全性诊断提供必要的信息，以便及时发现问题并采取措施；其次是科学上的意义，包括更好的理解变形机理，验证有关工程设计的理论和地壳运动的假说，进行反馈设计以及建立有效的变形预测模型【7】。1．3国内外研究现状随着现代科学技术的发展和计算机应用水平的提高，各种理论和方法为变形分析和变形预报提供了广泛的研究途径。由于地基沉降变形机理的复杂性和多样性，对变形分析与建模理论和方法的

3、研究，需要结合地质、力学、水文等相关学科的信息和方法，引入数学、数字信号处理、系统科学以及非线性科学的理论，采用数学模型来逼近、模拟和揭示变形体的变形规律和动态特征，为工程设计和灾害防治提供科学的依据。目前国内外对地基沉降预测模型的研究主要有两大类，一类是基于理论的计算方法，另一类是基于实测数据的分析方法。理论的计算方法主要是数值分析的方法，如有限元法、有限差分法等，数值分析法它可以根据具体的地质环境和施工因素来分析和预测，但地基的种类繁多，施工方法、施工状态以及各种地质条件参数是难以确定的，因此这种方法主要应用于理论的设计工作当中，这种方法是很难应用到实际工作当中的。而实测数据的分

4、析方法主要有：回归分析法、时间序列分析模型、灰色系统分析模型、Kalman滤波模型、人工神经网络预测模型、最小二乘法等口儿81。(1)回归分析预测法是一类比较经典，也比较实用的预测方法。正是由于它经典，摹于小波神经网络的建筑物沉降预测方法研究!一III——I!曼!皇鼍曼曼!!!量因此也就成熟，再加上比较容易理解，运用也就比较广泛。相比之下，其中的线性回归预测法和非线性回归预测法的运用更广些。回归分析最大的特点就是在偶然中发现必然，而实际情况却常常是千变万化的，有时偶然因素的影响也会超过必然，这时预测结果也就不能很如意，这就要求在预测工作中不能机械，要会灵活运用，要注意了解会影响预测结

5、果的偶然情况，以便对预测结果进行适当修正，这样才能使预测结果更接近实际，而对于地基沉降预测，影响沉降的因素是很难确定的，因此利用这种方法也就很难得到非常好的预测结果。(2)时间序列分析模型。时间序列分析法是一种动态数据的参数化时域分析法，此法对各类型的动态数据建立相应的数学模型，并对模型进行研究分析，以便了解这些数据内在的结构和特性阻1。虽然在数据量较少的情况下这种方法可以对未来数据进行预报，但是，其只是对数据进行了拟合，而没有发现其内在的规律，因此，这种方法对短期数据的预测比较适合，而对于长期数据的预测效果则大大下降口¨引。(3)灰色系统分析模型。灰色系统是指信息不完全的系统，如系

6、统的因素不明确，各因素之间的关系不明确，系统的结构和作用原理不明确等等。灰色系统提供了贫信息即信息不完全的情况下解决问题的方式，它不是通过统计规律的角度进行研究，而是将这些杂乱无章的数据进行整理，整理成具有较强规律的数据序列，然后在进行研究。灰色系统对信息不完全的系统的预测比较适合，但其的计算机过程是串行的，不能并行计算，因此系统的一些因素的轻微变化都会导致系统计算重新进行，这对于灰色系统的应用是非常不利的哆’。(4)Kalman滤波模型。Kalman滤波模型是利用递推的方式，通过系统的状态转移矩阵和观测资料对未来系统状态进行预报的，因此这种模型比较适合实时控制和快速预报。但是这种模

7、型应用的前提是必须首先知道系统的初始状态，而实际问题中，滤波前系统的初始状态是很难以精确的方式来确定的，如果估计的初始值与实际的值偏差较大的话，则会使模型预测的结果与实际值误差很大。因此这种方法在实际中还是比较难于应用的。(5)人工神经网络模型。人工神经网络是模拟生物界神经系统的网络，它是由McCulloch和Pitts于1943年首次提出的，它具有分布式存储知识、并行计算、较强容错能力、较强自学习和自适应等智能、以及可以逼近任意复杂的非线性系统的能力。正