预测地铁施工中地表变形的动态系统方法

提出了基于自回归（AR）模型对时间序列统一建模的新观点和方法,可大大减少计算量,并在微机上编程实现,以实例对动态模型与静态模型分别作了应用比较,结果表明,时间序列分析动态模型是系统分析的重要方法,是统计预测中的高级预测方法,预测精度高,用途广泛,而静态模型适合于内插,不适合于外推预报。     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测,对网络结构设计进行详细的探讨,并应用该方法对经典非线性时间序列数据进行预测,与传统预测方法(TAR)比较,结果证明此种方法具有较好的效果,网络的结构得到了简化。不仅满足了误差目标的要求,而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

基于自回归神经网络的多维时间序列分析

针对多维时间序列分析传统方法多数需要依靠手动建立时间依赖关系探索历史数据中隐含规律的问题, 提出一种自回归神经网络方法. 首先, 通过卷积神经网络（CNN）和双向长短期记忆网络（LSTM）构成神经网络分别捕获多维输入特征和时间序列中存在的复杂依赖关系, 并结合传统的自回归方法对线性关系进行特征提取; 其次, 在不同领域的两个数据集上与多个经典模型进行对比实验, 结果表明, 该模型预测性能最优, 并能成功捕获数据中存在的重复模式; 最后, 用消融实验验证了该模型框架的高效性和稳定性.     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

Sloboda模型在隧道围岩变形预测中适用性分析

隧道围岩变形的监测和分析对于隧道工程的设计和施工都非常关键,鉴于Sloboda生长曲线与隧道围岩变形-时间曲线的相似性,将Sloboda模型引入到围岩变形预测中,通过围岩变形-时间曲线的拟合预测未来围岩变形发展趋势和围岩极限变形值。通过工程实例具体分析了Sloboda模型的适用性,结果表明:Sloboda模型可以较好地拟合隧道围岩变形-时间曲线;围岩变形-时间曲线的波动性以及尾部阶段发展趋势对Sloboda模型预测效果存在影响;Sloboda模型预测效果要优于指数曲线模型和双曲线模型,具有更好的应用价值。     

基于回归分析法的某隧道围岩变形规律研究

通过对G318线高尔寺隧道围岩变形监测,获得了拱顶沉降和边墙收敛准确数据.利用最小二乘法回归分析方法对监测成果数据进行拟合处理,并对其精度进行分析研究.根据回归拟合方程表明隧道围岩开挖后的一段时间内,其变形位移随开挖时间出现非线性的变化规律,最终趋于稳定值,此与实际监测结果一致.研究结论对隧道围岩开挖施工以及支护时间的选择具有重要指导意义.     

基于RBF神经网络的隧洞围岩变形预测方法

传统回归方法对于围岩变形时程曲线存在反弯点,这种情况的模拟具有难度。提出的基于RBF神经网络的隧道围岩变形预测方法,不仅能很好地描述复杂的围岩变形时程曲线     

Sloboda模型在隧道围岩变形预测中的应用及其适用性分析

隧道围岩变形的监测和分析对于隧道工程的设计和施工都非常关键,鉴于Sloboda生长曲线与隧道围岩变形-时间曲线的相似性,将Sloboda模型引入到围岩变形预测中,通过围岩变形-时间曲线的拟合预测未来围岩变形发展趋势和围岩极限变形值。通过工程实例具体分析了Sloboda模型的适用性,结果表明：Sloboda模型可以较好的拟合隧道围岩变形-时间曲线;围岩变形-时间曲线的波动性以及尾部阶段发展趋势进对Sloboda模型预测效果存在影响;Sloboda模型预测效果要优于指数曲线模型和双曲线模型,具有更好的应用价值。     

BP神经网络技术与Geo-Studio对比分析隧道围岩应变并预测

隧道新奥法施工中,围岩应变是评判围岩稳定性和施工组织的经济合理性的重要指标。根据监控实测资料,针对围岩应变随时间的变化,采用人工神经网络技术建立实时跟踪预测模型,通过将预测结果与实测数据对比,并结合有限元数值模拟结果分析,发现三者吻合得较好,能够对围岩的进一步变形做出合理预测。     

隧道监控量测在围岩动态分级中的应用

研究了隧道监控量测结果在围岩动态分级中的应用.通过对隧道监测数据的统计分析,得出了对围岩动态分级具有意义的指标和各级围岩所对应的各指标的数值范围,用以指导施工阶段的隧道围岩动态分级、隧道的反馈设计和施工过程中的预测预报.实例证明,准确的隧道监测数据可以进一步完善和优化围岩分级,提高围岩分级的可靠性,为隧道围岩动态分级提供了一条新的途径.     

基于神经网络免疫集成的非线性时间序列故障预报

针对神经网络集成对个体差异性的要求 ,提出了集成网络间的结构差异度的概念 .在此基础上设计了一种基于反向选择的免疫算法 ,该算法可以在减小集成网络各自训练误差的同时保持网络间的结构差异度 ,从而提高神经网络集成的泛化能力 .同时证明了该算法对最优个体的收敛性 .将该方法应用于受噪声污染的非线性时间序列故障预报 ,根据预测误差可以方便准确地检测系统的缓变故障和突变故障 ,实现对微小故障的快速故障预报 ,降低误检率 .仿真结果证明了该方法的有效性 .     

锚注支护巷道围岩变形的粘弹性分析

锚注支护是一项维护围岩稳定的新技术.根据锚注支护机理,将注浆锚杆简化为作用于圈岩的一种体积力,并将注浆作用看作为对围岩力学性能的改善,从而建立了锚注支护计算的力学模型.依据围岩流变特性的试验结果,选择了一个合适的流变模型.最后应用粘弹性理论,分析了对具有流变特性围岩,锚注支护在维护其稳定性方面的作用.计算结果表明,锚注支护对维护流变性围岩稳定的效果显著.     

积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题,因为许多实际的时间序列数据都是含噪声的.提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法,它采用了粒子群优化器(PSO)训练PUNN网络.用所提方法对Lorenz混沌序列做了仿真实验,结果表明所提方法结构简单、泛化能力强,是一种有效的方法;当PUNN网络的输入节点数目为2或3时,预测精度更高,而且泛化能力也更强.     

巷道围岩稳定性分类的MBP神经网络预测研究

研究BP神经网络的工作原理和改进技术，分析巷道围岩稳定性的影响因素，基于改进的MBP神经网络建立了围岩稳定性分类的神经网络识别模型。研究结果表明，该预测模型性能好，预测精度高，预测结果能很好地拟合地下工程实际，验证了该模型的可行性和实用性。     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

基于动态围岩分类的高速公路隧道围岩稳定性评价方法

针对高速公路隧道工程施工的特点,基于动态化的围岩分类,采用多种方法对隧道围岩进行地质跟踪调查与预测.通过综合分析和优化处理上述信息,从而对公路隧道动态稳定性进行评价,为高速路隧道工程稳定状况的评判提供了一种简单易行的方法.     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。