学位论文 > 优秀研究生学位论文题录展示
小波神经网络在建筑物地基沉降预测中的应用研究
作 者: 杨文拓
导 师: 杨帆
学 校: 辽宁工程技术大学
专 业: 大地测量学与测量工程
关键词: 小波神经网络 建筑物地基沉降监测 小波包阈值去噪 初始权值设置
分类号: TP183
类 型: 硕士论文
年 份: 2011年
下 载: 75次
引 用: 0次
阅 读: 论文下载
内容摘要
随着国民经济的快速发展,高层建筑物日益增多。高层建筑,一方面可以缓解城市土地资源不足的问题;另一方面,若施工期间有严重的违规操作,导致建筑物地基基础和上部结构不平衡,建筑物将发生不安全沉降,给人民的生命、财产安全埋下隐患。因此,变形监测有着十分的重要的意义。变形监测是获取变形数据的手段,其真正的目的是如何利用已经获得的变形数据作出判断,为施工决策提供科学合理的预测。有效地进行数据处理和建立精准的预测模型是将两者联系起来的纽带。本文以实测的建筑物地基沉降数据为对象,针对变形时序数据中存在随机误差干扰的问题以及传统小波神经网络中存在网络收敛速度慢、精度低的问题,从小波包阈值去噪算法和小波神经网络的理论出发,对传统小波神经网络在网络初始权值选取和学习算法方面进行改进,主要研究工作具体如下:(1)引入小波包阈值算法对变形监测所采集的数据进行去噪处理,来解决数据中存在噪声的问题。经过预处理后的信号的信噪比有所提高,均方差减小,为后续的预测工作提供了更为精准的样本。(2)结合小波包理论和神经网络各自的优势,构建小波神经网络模型,并在初始参数选择和学习算法方面对其进行改进。改进后的小波神经网络的网络精度和绝对误差两个指标上均有所提高。(3)在选取网络初始参数时,将小波函数类型、小波时频参数、学习样本等也作为影响参数选取的因素,构成一种考虑多因素的初始值选取方法,来提高BP网络和传统的小波神经网络中存在的收敛速度和精度。(4)平衡输出层与隐含层权值调节量和输入层与隐含层权值调节量的巨大差别,以解决传统模型易陷入局部最小值、收敛速度慢及精度低等问题,使预测值以更稳定的方式逼近实测值。
|
全文目录
致谢 5-6 摘要 6-7 Abstract 7-11 1 绪论 11-16 1.1 概述 11-12 1.2 研究的目的及意义 12 1.3 国内外研究现状 12-14 1.4 本文的主要研究内容 14-16 2 小波包及神经网络的基本理论 16-35 2.1 小波包的基本理论 16-20 2.2 神经网络的基本理论 20-34 2.3 本章小结 34-35 3 小波包阈值去噪的变形时序数据的预处理 35-42 3.1 小波包阈值去噪的基本原理 35-38 3.2 小波包去噪效果评价指标 38-39 3.3 实例 39-41 3.4 本章小结 41-42 4 改进的小波神经网络模型的建立 42-53 4.1 小波神经网络的构建模式 42-43 4.2 改进的小波神经网络 43-47 4.3 工程实例 47-52 4.4 本章小结 52-53 5 改进的小波神经网络在地基沉降预测中的应用 53-63 5.1 沉降预测模型的建立 53-55 5.2 数据来源 55-56 5.3 预测实例 56-59 5.4 预测结果分析 59-62 5.5 本章小结 62-63 6 结论与展望 63-64 6.1 结论 63 6.2 展望 63-64 参考文献 64-67 作者简历 67-69 学位论文数据集 69-70
|
相似论文
- 基于小波神经网络的矿山事故隐患安全评价系统的设计,TD79
- 无线传感器网络系统虚拟空间技术研究,TN929.5
- 人体经穴电位信号处理与生理状态分类方法研究,TN911.7
- 基于小波神经网络的复合材料损伤声发射信号识别方法研究,TB33
- 油浸式电力变压器故障诊断的研究,TM407
- 基于小波神经网络的风电变流器故障诊断研究,TM46
- 基于改进智能算法的电力机车牵引变压器故障诊断技术研究,U269.6
- 基于小波神经网络和STAR的股指预测方法研究,F224
- 智能变形分析方法综合研究,P209
- 多阶段投资组合模型及其算法的研究,F830.9
- 基于小波神经网络的智能火灾探测研究,TP183
- 轧钢复杂工业生产过程产品质量建模研究,TG338
- 垂直井内多相流测量方法与模型研究,TE32
- 小波神经网络在电子设备故障诊断中的应用,TN07
- 基于小波神经网络的数控机床关键部件故障诊断,TP183
- 焦炭生产过程的产品质量建模与优化控制研究,TP13
- 基于神经网络的SRM直接转矩控制方法研究,TM352
- 小波神经网络在图像压缩中的应用,TP183
- 基于小波神经网络多传感器融合技术的研究,TP202
- 基于模糊控制的小波神经网络盲均衡算法,TP273.4
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com
|