【摘要】：邊坡在外界作用力的影響下不斷發(fā)生形變,當(dāng)形變量超限時(shí)將會(huì)發(fā)生滑坡災(zāi)害。因此,對(duì)邊坡的形變量進(jìn)行預(yù)測(cè)預(yù)報(bào)是預(yù)防滑坡災(zāi)害的有效手段之一。本文從現(xiàn)有的邊坡監(jiān)測(cè)數(shù)據(jù)入手,著重研究了邊坡形變預(yù)測(cè)預(yù)報(bào)方法,主要研究成果及創(chuàng)新點(diǎn)如下:(1)從原理、推導(dǎo)過(guò)程和建模步驟等方面分別研究了灰色GM(1,1)模型、灰色Verhulst模型和BP神經(jīng)網(wǎng)絡(luò)模型三種單一預(yù)測(cè)預(yù)報(bào)模型,以及灰色馬爾可夫模型和灰色神經(jīng)網(wǎng)絡(luò)模型兩種組合預(yù)測(cè)預(yù)報(bào)模型。之后逐一分析了以上幾種模型的優(yōu)缺點(diǎn)。(2)針對(duì)現(xiàn)有的灰色預(yù)測(cè)預(yù)報(bào)模型存在的建模數(shù)據(jù)不能更新導(dǎo)致陳舊信息影響模型精度的問(wèn)題,提出基于可變長(zhǎng)度滑動(dòng)窗動(dòng)態(tài)更新建模數(shù)據(jù)的灰色GM(1,1)動(dòng)態(tài)模型(GDM(1,1)模型)和灰色Verhulst動(dòng)態(tài)模型(GVD模型)兩種改進(jìn)模型,并利用新灘滑坡B3監(jiān)測(cè)點(diǎn)的形變監(jiān)測(cè)數(shù)據(jù)對(duì)兩種模型進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,兩種改進(jìn)模型的擬合精度和預(yù)測(cè)精度均優(yōu)于傳統(tǒng)灰色模型,改進(jìn)效果明顯。為了進(jìn)一步提升GVD模型的精度和對(duì)波動(dòng)性數(shù)據(jù)的適應(yīng)性,提出了GVD模型與馬爾可夫鏈結(jié)合的灰色Verhulst馬爾可夫動(dòng)態(tài)模型(GVMD模型),并用新灘滑坡的形變監(jiān)測(cè)數(shù)據(jù)驗(yàn)證了改進(jìn)模型的有效性。(3)鑒于傳統(tǒng)的灰色神經(jīng)網(wǎng)絡(luò)模型中的灰色模型通常采用灰色GM(1,1)模型,而以灰色Verhulst模型與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的研究較少。故提出一種殘差修正型灰色Verhulst神經(jīng)網(wǎng)絡(luò)(RGVNN)模型,以GVD模型代替灰色GM(1,1)模型,并用BP神經(jīng)網(wǎng)絡(luò)修正GVD模型的預(yù)測(cè)殘差。采用露天礦邊坡的監(jiān)測(cè)數(shù)據(jù)建立RGVNN模型,并將預(yù)測(cè)結(jié)果與灰色Verhulst模型和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果比較。結(jié)果表明,相比于灰色Verhulst模型和BP神經(jīng)網(wǎng)絡(luò),RGVNN模型的預(yù)測(cè)平均相對(duì)誤差分別降低了96.3%和76.7%。RGVNN模型的預(yù)測(cè)精度遠(yuǎn)遠(yuǎn)優(yōu)于灰色Verhulst模型和BP神經(jīng)網(wǎng)絡(luò)。(4)針對(duì)灰色Verhulst神經(jīng)網(wǎng)絡(luò)(GVNN)模型的權(quán)值和閾值隨機(jī)初始化造成預(yù)測(cè)精度下降的問(wèn)題,提出了思維進(jìn)化算法優(yōu)化的輔助型灰色Verhulst神經(jīng)網(wǎng)絡(luò)(MEA-AGVNN)模型。MEA-AGVNN模型引入思維進(jìn)化算法(MEA)對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,將優(yōu)化后的權(quán)值及閾值作為輔助型灰色Verhulst神經(jīng)網(wǎng)絡(luò)(AGVNN)模型的初始權(quán)值和初始閾值。利用露天礦邊坡形變監(jiān)測(cè)數(shù)據(jù)建立MEA-AGVNN模型,并將預(yù)測(cè)結(jié)果與AGVNN模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,相比于AGVNN模型,MEA-AGVNN模型的預(yù)測(cè)平均相對(duì)誤差降低了46.9%。MEA-AGVNN模型的預(yù)測(cè)精度優(yōu)于GVNN模型。
【學(xué)位授予單位】：桂林電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：P642.22

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2798522