更新日期: 2025-06-10

基于PSO-LSSVM模型的基坑變形時間序列預測

格式:pdf

大?。?span id="vrt1zld" class="single-tag-height" data-v-09d85783>521KB

頁數(shù):6P

人氣 :66

基于PSO-LSSVM模型的基坑變形時間序列預測 4.5

現(xiàn)場量測獲得的基坑變形資料蘊含了系統(tǒng)內(nèi)部力學演化信息。針對基坑變形影響因素的復雜性、監(jiān)測數(shù)據(jù)的高度非線性以及人工神經(jīng)網(wǎng)絡方法的過學習問題,利用粒子群(PSO)算法優(yōu)選最小二乘支持向量機(LSSVM)參數(shù),并結合相空間重構理論進行數(shù)據(jù)預處理,提出了一種基于PSO-LSSVM模型的基坑變形時間序列預測方法。利用該方法建立基坑變形預測模型應用于動態(tài)設計和信息化施工,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行滾動預測,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測

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測

格式:pdf

大?。?span id="se2zm61" 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測方法。采用相空間重構對基坑前期施工工況下的周邊建筑沉降差時間序列進行重構,構建沉降差預測的學習樣本輸入到最小二乘支持向量機(lssvm)中訓練。利用粒子群算法(pso)對lssvm參數(shù)進行優(yōu)化,獲得最優(yōu)預測模型,對后期工況施工期間的沉降差進行滾動預測,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測分析,取得了令人滿意的預測結果。

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測??

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測??

格式:pdf

大?。?span id="1qnovxk" 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測方法。采用相空間重構對基坑前期施工工況下的周邊建筑沉降差時間序列進行重構,構建沉降差預測的學習樣本輸入到最小二乘支持向量機(lssvm)中訓練。利用粒子群算法(pso)對lssvm參數(shù)進行優(yōu)化,獲得最優(yōu)預測模型,對后期工況施工期間的沉降差進行滾動預測,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測分析,取得了令人滿意的預測結果。

編輯推薦下載

基于LS-SVM的基坑變形時間序列預測模型

基于LS-SVM的基坑變形時間序列預測模型

格式:pdf

大?。?span id="ugn17cj" class="single-tag-height" data-v-09d85783>688KB

頁數(shù):4P

基于LS-SVM的基坑變形時間序列預測模型 4.7

針對神經(jīng)網(wǎng)絡用于基坑變形預測存在結構難確定、訓練易陷入局部最優(yōu)及易過學習等問題,構造滾動時間窗,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)建立基坑預測模型,應用網(wǎng)格搜索算法優(yōu)化模型參數(shù),連續(xù)滾動地多步預測基坑變形。實例結果表明,該模型預測效果優(yōu)于bp神經(jīng)網(wǎng)絡,具有所需數(shù)據(jù)少、推廣能力強等優(yōu)點。

立即下載
PSO-RBFNN模型及其在巖土工程非線性時間序列預測中的應用

PSO-RBFNN模型及其在巖土工程非線性時間序列預測中的應用

格式:pdf

大?。?span id="d1z8kc6" class="single-tag-height" data-v-09d85783>663KB

頁數(shù):6P

PSO-RBFNN模型及其在巖土工程非線性時間序列預測中的應用 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雜性,很難用簡單的力學、數(shù)學模型描述,但可用粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡對巖土工程應力、位移非線性時間序列進行動態(tài)實時預測。網(wǎng)絡徑向基層的單元數(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)絡權值,均通過粒子群優(yōu)化算法在全局空間優(yōu)化確定。工程實例應用表明,該模型預測結果準確、精度高,有良好的應用前景。

立即下載

PSO-LSSVM模型的基坑變形時間序列預測熱門文檔

相關文檔資料 805509 立即查看>>
基于BP模型與ARX模型的基坑變形預測研究

基于BP模型與ARX模型的基坑變形預測研究

格式:pdf

大小:536KB

頁數(shù):5P

基于BP模型與ARX模型的基坑變形預測研究 4.5

隨著建設工程施工的信息化與安全化,基坑的變形預測是基坑設計和施工的重要補充手段?;赽p人工神經(jīng)網(wǎng)絡模型以及時序分析arx自回歸各態(tài)歷經(jīng)模型,對基坑的沉降變形進行了預測,數(shù)據(jù)結果表明兩種模型均能較好地對未來值進行較真實的預測;從bp模型與arx模型的預測結果均方誤差值大小的角度而言,bp模型的預測對于未來趨勢的判斷比arx模型要更強一些。試驗結果說明兩種預測模型應用于實際工程的監(jiān)測預測具有實際意義。

立即下載
基于PSO-LSSVM的建筑施工事故預測方法研究

基于PSO-LSSVM的建筑施工事故預測方法研究

格式:pdf

大?。?span id="ebyqrtv" class="single-tag-height" data-v-09d85783>127KB

頁數(shù):5P

基于PSO-LSSVM的建筑施工事故預測方法研究 4.6

針對建筑施工事故原始樣本少、隨機波動大和預測難度大等特點,對建筑施工事故小樣本預測問題展開研究。采用lssvm對建筑施工事故進行回歸建模,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)進行優(yōu)化;以相關文獻建筑施工事故為預測案例,運用所提方法進行仿真實驗。結果表明:采用pso-lssvm預測方法的絕對誤差(mape)為2.99%,并且每年的預測相對誤差都低于5%,遠低于現(xiàn)有研究方法得出的結果,說明所提方法具有預測精度高、泛化能力強的特點,能滿足工程應用要求。

立即下載
小波與時間序列組合模型分析和預測建筑物沉降變形

小波與時間序列組合模型分析和預測建筑物沉降變形

格式:pdf

大?。?span id="20e8qit" class="single-tag-height" data-v-09d85783>254KB

頁數(shù):3P

小波與時間序列組合模型分析和預測建筑物沉降變形 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)進行分析和預測的思路,并對長江紫都c塊1#樓的沉降監(jiān)測數(shù)據(jù)進行了分析和預測。結果表明,該方法能有效分析和預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。

立即下載
基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究

基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究

格式:pdf

大?。?span id="1ubx6p6" class="single-tag-height" data-v-09d85783>413KB

頁數(shù):7P

基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究 4.5

為了快速準確的預測基坑開挖對周圍建筑物沉降的影響,本文提出一種結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行預測,并與其他預測方法進行對比,結果表明該算法具有收斂速度快、預測精度高等特點.

立即下載
改進GM(1,1)模型在基坑變形預測中的應用

改進GM(1,1)模型在基坑變形預測中的應用

格式:pdf

大小:561KB

頁數(shù):4P

改進GM(1,1)模型在基坑變形預測中的應用 4.5

分析得出原始gm(1,1)模型對應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。將改進后的gm(1,1)模型應用到基坑變形預測中,實例應用結果顯示,改進的gm(1,1)模型具有較高的預測精度。

立即下載

PSO-LSSVM模型的基坑變形時間序列預測精華文檔

相關文檔資料 805509 立即查看>>
灰色預測模型在基坑變形中的應用

灰色預測模型在基坑變形中的應用

格式:pdf

大?。?span id="21jldk2" class="single-tag-height" data-v-09d85783>212KB

頁數(shù):3P

灰色預測模型在基坑變形中的應用 3

灰色預測模型在基坑變形中的應用——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)預測模型。通過對某基坑樁頂位移變形數(shù)據(jù)的預測,表明了灰色預測模型在基坑變形監(jiān)測中具有較好的可行性及可靠性。

立即下載
改進GM(1,1)模型在基坑變形預測中的應用

改進GM(1,1)模型在基坑變形預測中的應用

格式:pdf

大?。?span id="fcuwo66" class="single-tag-height" data-v-09d85783>264KB

頁數(shù):4P

改進GM(1,1)模型在基坑變形預測中的應用 3

改進gm(1,1)模型在基坑變形預測中的應用——分析得出原始gm(1,1)模型對應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形式,因而對新的灰微分方程添加動態(tài)擾動項,以彌補...

立即下載
灰色加權模型在深基坑變形預測中的應用

灰色加權模型在深基坑變形預測中的應用

格式:pdf

大小:211KB

頁數(shù):4P

灰色加權模型在深基坑變形預測中的應用 3

灰色加權模型在深基坑變形預測中的應用——深基坑的變形及其預測是工程建設中經(jīng)常遇到的重要問題,論文對加權灰色模型應用于該領域作了探討。在進行加權模型理論計算的基礎上,以深基坑實際變形監(jiān)測資料為基礎,利用原始模型結果作為比較基礎,對加權模型進行了...

立即下載
GM(1,1)優(yōu)化模型在基坑變形預測中的應用

GM(1,1)優(yōu)化模型在基坑變形預測中的應用

格式:pdf

大?。?span id="d1z5qsp" class="single-tag-height" data-v-09d85783>153KB

頁數(shù):3P

GM(1,1)優(yōu)化模型在基坑變形預測中的應用 3

gm(1,1)優(yōu)化模型在基坑變形預測中的應用——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)理論進行預測。本文在常規(guī)全息gm(1,1)模型的基礎上,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行模擬預測,結果表明了迭代法g...

立即下載
GM-LSSVM模型在建筑能耗預測中的應用

GM-LSSVM模型在建筑能耗預測中的應用

格式:pdf

大小:489KB

頁數(shù):8P

GM-LSSVM模型在建筑能耗預測中的應用 4.4

為提高大型公共建筑能耗的預測精度,提出一種基于灰色模型和最小二乘向量機方法(gm-lssvm)的辦公能耗預測模型.該方法結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測模型,并與神經(jīng)網(wǎng)絡模型以及最小二乘支持向量機模型的預測結果進行比較,驗證了該方法具備較高的預測精度和較強的泛化能力.

立即下載

PSO-LSSVM模型的基坑變形時間序列預測最新文檔

相關文檔資料 805509 立即查看>>
基于季節(jié)性時間序列模型的空調(diào)負荷預測

基于季節(jié)性時間序列模型的空調(diào)負荷預測

格式:pdf

大?。?span id="zqw6xeb" class="single-tag-height" data-v-09d85783>128KB

頁數(shù):6P

基于季節(jié)性時間序列模型的空調(diào)負荷預測 4.6

基于空調(diào)負荷預測的優(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)負荷預測競賽研究成果的基礎上指出,利用季節(jié)性時間序列模型建模預測精度較高,且工程實施簡便,特別適合于空調(diào)系統(tǒng)連續(xù)運行、負荷波動規(guī)律性較強的建筑物負荷預測。本文概要介紹利用季節(jié)性時間序列模型進行建模預測的理論和方法,并通過工程實例驗證了建模方法的有效性。

立即下載
基于時間序列分析的露天礦邊坡沉降預測模型

基于時間序列分析的露天礦邊坡沉降預測模型

格式:pdf

大?。?span id="wovsuby" class="single-tag-height" data-v-09d85783>168KB

頁數(shù):5P

基于時間序列分析的露天礦邊坡沉降預測模型 4.5

結合小波分析在數(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)進行去噪處理,再結合時間序列分析理論建立小波包-時間序列預測模型,從而對露天礦邊坡進行變形分析預測。通過實驗數(shù)據(jù)對比分析,結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)進行預測,預測精度較高,能夠?qū)ΦV區(qū)邊坡的沉降進行預測。

立即下載
基于時間序列和灰色模型的交通事故預測 基于時間序列和灰色模型的交通事故預測 基于時間序列和灰色模型的交通事故預測

基于時間序列和灰色模型的交通事故預測

格式:pdf

大小:179KB

頁數(shù):未知

基于時間序列和灰色模型的交通事故預測 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,并對各模型進行了步長為12的預測。通過模型對比發(fā)現(xiàn):2個模型的預測絕對誤差分別為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測結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測誤差,并反映數(shù)據(jù)的周期性變化,具有良好的適用性。

立即下載
基于城市建筑變形監(jiān)測系統(tǒng)的時間序列模型研究

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="o5fx2n0" class="single-tag-height" data-v-09d85783>592KB

頁數(shù):5P

基于城市建筑變形監(jiān)測系統(tǒng)的時間序列模型研究 4.5

以國家體育場(鳥巢)工程的沉降觀測數(shù)據(jù)為基礎,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行了分析和預測,為建筑物的安全施工和正常使用提供了保障.

立即下載
基于PSO-RBF的建筑能耗預測模型研究

基于PSO-RBF的建筑能耗預測模型研究

格式:pdf

大?。?span id="jqdub7i" class="single-tag-height" data-v-09d85783>363KB

頁數(shù):4P

基于PSO-RBF的建筑能耗預測模型研究 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)絡建筑能耗預測模型。在此基礎上運用微粒群算法對模型優(yōu)化,建立了基于pso-rbf的建筑能耗預測模型。利用大量數(shù)據(jù)構造樣本集,運用軟件分別對優(yōu)化前后的預測模型進行訓練,并運用到典型公共建筑能耗值的預測實例中。結果表明基于pso-rbf的建筑能耗預測模型的學習能力和預測能力強,能較準確地實現(xiàn)公共建筑能耗預測。

立即下載
基于小波分析的神經(jīng)網(wǎng)絡基坑變形預測模型

基于小波分析的神經(jīng)網(wǎng)絡基坑變形預測模型

格式:pdf

大?。?span id="216xzr1" class="single-tag-height" data-v-09d85783>1.5MB

頁數(shù):5P

基于小波分析的神經(jīng)網(wǎng)絡基坑變形預測模型 4.7

運用小波理論和神經(jīng)網(wǎng)絡理論不同結合方法建立地表變形預測模型。文中先建立了較為普遍的松散型的小波去噪神經(jīng)網(wǎng)絡模型和緊致型的小波神經(jīng)網(wǎng)絡模型,分析了小波去噪和bp神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)選取過程?;趯崪y數(shù)據(jù)分析可得:三種模型的預測效果較單一的bp神經(jīng)網(wǎng)絡預測效果更好;基于小波變換的神經(jīng)網(wǎng)絡預測模型的平均絕對百分比誤差為0.15,優(yōu)于另兩種模型的預測精度。

立即下載
杭州灣懸浮泥沙濃度時間序列模型和預測 杭州灣懸浮泥沙濃度時間序列模型和預測 杭州灣懸浮泥沙濃度時間序列模型和預測

杭州灣懸浮泥沙濃度時間序列模型和預測

格式:pdf

大小:112KB

頁數(shù):4P

杭州灣懸浮泥沙濃度時間序列模型和預測 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)預處理、模型識別、定階、參數(shù)估計及適應性檢驗,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測.結果表明,arima模型對描述和預測杭州灣懸浮泥沙濃度具有較高的精度.

立即下載
基于SVM的高層建筑變形的時間序列預測

基于SVM的高層建筑變形的時間序列預測

格式:pdf

大?。?span id="d0jlilh" class="single-tag-height" data-v-09d85783>513KB

頁數(shù):4P

基于SVM的高層建筑變形的時間序列預測 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測模型,并采用網(wǎng)格搜索法對模型參數(shù)進行選擇,保證模型的泛化能力。實驗結果證明,和bp神經(jīng)網(wǎng)絡相比,支持向量機有更好的預測精度。

立即下載
基坑變形灰色人工神經(jīng)網(wǎng)絡預測模型及其應用

基坑變形灰色人工神經(jīng)網(wǎng)絡預測模型及其應用

格式:pdf

大小:171KB

頁數(shù):5P

基坑變形灰色人工神經(jīng)網(wǎng)絡預測模型及其應用 4.5

針對基坑變形預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)絡預測基坑變形的新方法。用一樁錨聯(lián)合支護體系實例進行了預測研究,得到支護體系的不同預測模型的組合預測值。研究結果表明:灰色神經(jīng)網(wǎng)絡預測誤差比gm(1,1)預測模型小;與bp預測模型相比,前期誤差大,后期誤差小。在基坑變形監(jiān)測中,為了更準確地預測基坑變形,可以采用灰色神經(jīng)網(wǎng)絡預測與bp預測相結合的方法進行預測。

立即下載
自適應GM(1,1)灰色模型在基坑變形預測中的應用

自適應GM(1,1)灰色模型在基坑變形預測中的應用

格式:pdf

大?。?span id="ltpn1nk" class="single-tag-height" data-v-09d85783>209KB

頁數(shù):2P

自適應GM(1,1)灰色模型在基坑變形預測中的應用 3

自適應gm(1,1)灰色模型在基坑變形預測中的應用——針對基坑變形系統(tǒng)的不確定性及灰色性,結合工程實例,采用自適應gm(1,1)模型對基坑監(jiān)測數(shù)據(jù)進行了變形預測,結果表明呆用自適應模型大大提高了長時間段預測精度,預測結果完全滿足工程要求,具有較好的實用價...

立即下載
楊印鋒

職位:項目安全總監(jiān)

擅長專業(yè):土建 安裝 裝飾 市政 園林

PSO-LSSVM模型的基坑變形時間序列預測文輯: 是楊印鋒根據(jù)數(shù)聚超市為大家精心整理的相關PSO-LSSVM模型的基坑變形時間序列預測資料、文獻、知識、教程及精品數(shù)據(jù)等,方便大家下載及在線閱讀。同時,造價通平臺還為您提供材價查詢、測算、詢價、云造價、私有云高端定制等建設領域優(yōu)質(zhì)服務。手機版訪問: PSO-LSSVM模型的基坑變形時間序列預測