组合预测模型及其在变形分析中的应用研究

发布时间：2017-04-06 18:04

  本文关键词：组合预测模型及其在变形分析中的应用研究，由笔耕文化传播整理发布。

【摘要】：大型建筑在施工、运营、管理阶段由于各种各样的因素一定会产生形变,但是,由于变形因素的复杂与多样性,使得变形趋势不太可能由某种单一预测模型反映出来,也就是说不可避免的会出现误差,而且不同的预测模型有时会提供不同的有效信息,如果盲目地将预测精度低的模型删除,那么一定程度上就会导致某些必要的有效信息的缺失,进而影响模型的合理性。大量研究表明组合模型能够充分综合与利用各单一预测模型的有效信息、更好的反映事物的实质,引起了广大测绘学者的关注与研究。文章简单介绍了变形的意义,着重对常用的变形数据处理方法进行了详细的阐述,并且简单叙述了组合预测的概念。根据变形监测信息的特点,通过查阅资料将组合模型分为串联式组合模型与并联式组合模型,进而对这此进行了详细的分析与讨论,并验证其有效性,具体内容如下:1)针对BP神经网络容易陷入局部极值的特点,提出了一种AWSPSO算法来优化网络的权值与阈值。根据串联式组合预测模型的特点,建立了一种以GM(1,1)模型与改进AWSPSO-BP的残差修正型串联式组合预测模型。2)引入了运筹学中的灰色关联度的概念,建立了一种以灰色关联度最大为准则的定权组合预测模型,为综合评价多准则下的组合模型精度,采用最小有机会损失准则来评定各模型的效果。针对传统赋权方法的不足,提出了一种基于二阶预测有效度IOWGA算子的变权组合预测模型。3)对上述两种模型进行实例验证与精度分析,实验表明这两种模型的预测效果好,精度高。
【关键词】：变形分析 串联式组合模型 并联式组合模型 PSO算法 变权
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU196.1
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 1 绪论11-15
• 1.1 选题背景与研究意义11
• 1.2 国内外研究现状11-13
• 1.3 研究目标、研究内容13
• 1.4 论文组织结构13-15
• 2 常用的变形分析模型与组合模型概述15-29
• 2.1 常用的变形分析模型15-26
• 2.1.1 GM(1,1)模型15-17
• 2.1.2 时间序列模型17-20
• 2.1.3 卡尔曼滤波模型20-23
• 2.1.4 BP神经网络模型23-26
• 2.2 模型性能分析与组合模型概述26-27
• 2.2.1 模型性能分析26-27
• 2.2.2 组合模型概述27
• 2.3 本章小结27-29
• 3 串联式组合预测模型29-45
• 3.1 概述29
• 3.2 残差修正串联式组合预测方法29-30
• 3.3 改进粒子群算法30-38
• 3.3.1 标准粒子群算法30
• 3.3.2 AWSPSO算法30-32
• 3.3.3 AWSPSO算法的建模步骤32-33
• 3.3.4 测试分析33-38
• 3.4 AWSPSO-BP与GM(1,1)串联式残差修正组合预测模型38-41
• 3.4.1 组合建模的必要性38-39
• 3.4.2 组合模型的建模步骤39-41
• 3.5 实例分析41-43
• 3.5.1 网型的确定41-42
• 3.5.2 网络训练与测试42-43
• 3.6 本章小结43-45
• 4 并联式组合预测模型45-63
• 4.1 概述45
• 4.2 并联式组合模型分类45-46
• 4.3 并联式定权组合模型46-50
• 4.3.1 定权系数确定准则46-48
• 4.3.2 定权组合模型精度分析48-49
• 4.3.3 并联式定权组合模型的不足49-50
• 4.4 基于二阶预测有效度诱导有序算子的并联式变权组合模型50-55
• 4.4.1 概述50
• 4.4.2 二阶预测有效度50-52
• 4.4.3 IOWGA算子52
• 4.4.4 二阶预测有效度IOWGA算子变权组合建模及求解52-55
• 4.5 精度评价55
• 4.6 实验仿真分析55-61
• 4.7 本章小结61-63
• 5 组合模型在沉降监测中的应用63-75
• 5.1 数据来源63-64
• 5.2 串联式组合预测模型64-67
• 5.2.1 网型的确定64
• 5.2.2 网络训练与测试64-67
• 5.3 并联式组合预测模型67-75
• 5.3.1 三种单一预测模型67-68
• 5.3.2 并联式定权组合模型68-69
• 5.3.3 并联式变权组合模型69-75
• 6 结论与展望75-77
• 6.1 结论75-76
• 6.2 展望76-77
• 参考文献77-81
• 致谢81-83
• 攻读硕士学位期间研究成果83

【相似文献】

中国期刊全文数据库 前10条

1 文军;蒋由辉;方文清;;航空货运量的优化组合预测模型[J];计算机工程与应用;2010年15期

2 黄元生;黎特;皮薇;;非平均权重条件下电力负荷组合预测模型研究[J];山东电力高等专科学校学报;2013年03期

3 丁岳维;组合预测模型的研究[J];西安公路交通大学学报;1997年04期

4 朱章;对组合预测模型预测精度的分析[J];黄石高等专科学校学报;1997年01期

5 邢棉;能源发展趋势的非线性优化组合预测模型研究[J];华北电力大学学报;2002年03期

6 陈华友,赵佳宝,刘春林;基于灰色关联度的组合预测模型的性质[J];东南大学学报(自然科学版);2004年01期

7 李眉眉;丁晶;衡彤;覃光华;;电力月负荷的混沌趋势组合模型预测[J];四川电力技术;2006年03期

8 张欣;;组合预测模型在上海内河港口吞吐量预测中的应用[J];水运工程;2007年04期

9 王斌;张金隆;;航线流量组合预测模型研究[J];武汉理工大学学报(信息与管理工程版);2008年03期

10 赵海青,杨秀岐;灰色加法组合预测模型及其应用[J];保定师范专科学校学报;2002年04期

中国重要会议论文全文数据库 前10条

1 谢如贤;成盛超;程仕军;陈思华;;变结构组合预测模型的建立与应用[A];全国青年管理科学与系统科学论文集（第2卷）[C];1993年

2 董景荣;;基于遗传辅助设计的汇率组合预测模型研究[A];面向复杂系统的管理理论与信息系统技术学术会议专辑[C];2000年

3 马永开;唐小我;;组合预测模型研究[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第4卷）[C];1997年

4 成枢;刘国林;高放;;最优组合预测模型及其在变形预测中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

5 何迎东;吴婉莹;郭u&;陈华友;;基于离消度的组合预测模型及其应用[A];第十届中国不确定系统年会、第十四届中国青年信息与管理学者大会论文集[C];2012年

6 陈华友;程蕾;张倩;;基于相关系数的IOWA算子最优组合预测模型[A];第四届中国不确定系统年会论文集[C];2006年

7 陈华友;;IOWA算子的组合预测模型及在所得税预测中的应用[A];第三届不确定系统年会论文集[C];2005年

8 谢正文;孔凡玉;胡毅夫;;基于熵权的沉降组合预测模型及应用[A];第一届中国水利水电岩土力学与工程学术讨论会论文集（下册）[C];2006年

9 王永光;赵国浩;;变权组合预测模型在中国煤炭需求预测中的应用[A];2007中国可持续发展论坛暨中国可持续发展学术年会论文集（4）[C];2007年

10 王尚俊;吴刚;陈华友;周礼刚;;基于广义10WA算子的组合预测模型及在卷烟消费需求中应用[A];第十一届中国不确定系统年会、第十五届中国青年信息与管理学者大会论文集[C];2013年

中国博士学位论文全文数据库 前4条

1 赵川;重载交通对高速公路桥梁的疲劳影响研究[D];河北工业大学;2015年

2 向昌盛;基于支持向量机的时间序列组合预测模型[D];湖南农业大学;2011年

3 万玉成;基于未确知性的预测与决策方法及其应用研究[D];东南大学;2004年

4 南晓强;风电预测技术及其运行分析[D];西南交通大学;2013年

中国硕士学位论文全文数据库 前10条

1 宋鹤;基于WEB的风电场可视化监测技术研究[D];沈阳理工大学;2015年

2 高兴良;基于逐步回归分析的组合神经网络股指预测研究[D];哈尔滨工业大学;2015年

3 Phanthavong Tulaxay;基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用[D];华北电力大学;2015年

4 徐晓波;电动汽车充/换电站短期负荷预测方法研究[D];华北电力大学;2015年

5 蒋星;基于趋势点模型的超短期风电功率预测研究[D];广西大学;2015年

6 奚晨;组合预测模型的应用与研究[D];兰州大学;2015年

7 周清平;沪深300指数的组合预测模型研究[D];兰州大学;2015年

8 熊威;顾及多效应的混凝土坝位移联合预报与监控分析[D];南昌大学;2015年

9 李滢;基于灰色理论的车辆轮对踏面磨损预测研究[D];兰州交通大学;2015年

10 吴念;地区电网中长期负荷组合预测模型和方法研究[D];华南理工大学;2012年

  本文关键词：组合预测模型及其在变形分析中的应用研究，由笔耕文化传播整理发布。

，

本文编号：289360