基于ARIMA與IGWO-SVM優(yōu)化模型的高鐵沉降變形預測研究與應用
發(fā)布時間：2021-07-28 21:06
高速鐵路近些年來已經成為我國主要的運輸方式,飛速時代下的高速鐵路要保障列車運行的安全性、平穩(wěn)性和舒適度,實質是對線下工程工后沉降的一種嚴苛考驗。路基作為鐵路工程的重要構成部分,對其進行沉降預測成為控制鐵路安全的關鍵環(huán)節(jié)。目前在鐵路工程中應用較為廣泛的沉降預測方法有Asaoka法、三點法和雙曲線法等,而高速鐵路采用的無砟軌道所具備的“高平順”性導致了路基變形數據呈現非線性特征和“小量級、大波動”的敏感性,高鐵變形預測已演變成一個非線性的復雜動態(tài)系統,利用單個傳統的預測方法很難有效地分析沉降系統的變動趨勢。針對這一問題,本文從常用的、針對高速鐵路沉降曲線特征的預測模型出發(fā),為了對變形領域內的數據進行更全面的分析,引入數據預處理與殘差修正組合模型的概念,探究了基于小波分析與時間序列分析的相空間重構IGWO-SVM變形預測組合模型在高速鐵路變形數據上的適用性。本文結合高鐵路基沉降數據的非線性波動機理特點,總結了現今常用的變形預測方法及研究進展,闡述了相空間重構技術、小波分析、時間序列分析和支持向量機理論基礎以及各模型的參數選取依據。其次針對含噪隨機序列應用一維離散小波進行消噪處理;利用能根據被...
【文章來源】：桂林理工大學廣西壯族自治區(qū)
【文章頁數】：88 頁
【學位級別】：碩士
【部分圖文】：
灰狼種群等級制度示意圖
圖 3.2 二維空間向量示意圖CXXDCXXDCX .;.;.123 1 2 2 3 A . D ; X X A . D ; X X A
去噪后序列相關性的分析與單位根檢驗
【參考文獻】：
期刊論文
[1]貴廣高鐵無砟軌道機械化施工技術研究[J]. 張雷. 鐵道建筑技術. 2017(11)
[2]基于相空間重構的GA-SVR組合模型邊坡位移預測研究[J]. 劉小生,秦志強. 大地測量與地球動力學. 2017(10)
[3]基于小波Mallat算法和BP神經網絡的空氣質量指數預測的研究[J]. 高鵬,周松林. 池州學院學報. 2017(03)
[4]改進灰狼算法在土壤墑情監(jiān)測預測系統中的應用[J]. 李寧,李剛,鄧中亮. 計算機應用. 2017(04)
[5]基于灰狼優(yōu)化算法的多機電力系統穩(wěn)定器參數最優(yōu)設計[J]. 左劍,張程穩(wěn),肖逸,李銀紅,段獻忠. 電網技術. 2017(09)
[6]具有自適應搜索策略的灰狼優(yōu)化算法[J]. 魏政磊,趙輝,韓邦杰,孫楚,李牧東. 計算機科學. 2017(03)
[7]基于灰狼算法的改進研究[J]. 郭振洲,劉然,拱長青,趙亮. 計算機應用研究. 2017(12)
[8]新型灰狼優(yōu)化算法在函數優(yōu)化中的應用[J]. 羅佳,唐斌. 蘭州理工大學學報. 2016(03)
[9]一種新型非線性收斂因子的灰狼優(yōu)化算法[J]. 王敏,唐明珠. 計算機應用研究. 2016(12)
[10]一種計算高鐵沉降預測常用模型參數的新方法[J]. 張吉春,明祖濤. 測繪通報. 2016(01)
博士論文
[1]基于群智能優(yōu)化的機器學習方法研究及應用[D]. 趙東.吉林大學 2017
[2]組合預測方法及其應用研究[D]. 馬濤.蘭州大學 2017
[3]混沌時間序列分析及在鐵路貨運量預測中的應用研究[D]. 吳華穩(wěn).中國鐵道科學研究院 2014
[4]基于支持向量機的金融時間序列分析預測算法研究[D]. 鮑漪瀾.大連海事大學 2013
[5]基于小波分析與神經網絡滾動軸承故障診斷方法的研究[D]. 楊柳松.東北林業(yè)大學 2013
[6]基于支持向量機的巖土非線性變形行為預測研究[D]. 董輝.中南大學 2007
[7]基于小波理論的變形分析模型研究[D]. 文鴻雁.武漢大學 2004
碩士論文
[1]基于時間序列分析的汽車銷量預測研究[D]. 章旭.合肥工業(yè)大學 2017
[2]基于非線性動力系統的時間序列預測技術研究[D]. 郭俊.天津理工大學 2017
[3]小水電群生態(tài)智能調度算法研究與系統開發(fā)[D]. 任沁.浙江工業(yè)大學 2016
[4]小波分析和組合模型在沉降預計中的應用研究[D]. 高山.安徽理工大學 2016
[5]基于EMD的相空間重構極限學習機的短期氣象要素預測方法及其應用研究[D]. 張珊珊.南昌大學 2016
[6]基于ARIMA模型和ARIMAX模型的山東省GDP的預測與分析[D]. 陳聰聰.山東大學 2016
[7]基于支持向量機的組合預測模型及其應用研究[D]. 孟玲玲.河南理工大學 2015
[8]相空間重構和支持向量機結合的短期電力負荷預測研究[D]. 李昕.中北大學 2015
[9]支持向量機模型優(yōu)化方法及其在旋轉機械智能診斷中的應用[D]. 雷絲雨.電子科技大學 2015
[10]基于小波包分解和布谷鳥算法的最小二乘支持向量機風速預測模型的研究與應用[D]. 魏翔.蘭州大學 2015
本文編號：3308645
【文章來源】：桂林理工大學廣西壯族自治區(qū)
【文章頁數】：88 頁
【學位級別】：碩士
【部分圖文】：
灰狼種群等級制度示意圖
圖 3.2 二維空間向量示意圖CXXDCXXDCX .;.;.123 1 2 2 3 A . D ; X X A . D ; X X A
去噪后序列相關性的分析與單位根檢驗
【參考文獻】：
期刊論文
[1]貴廣高鐵無砟軌道機械化施工技術研究[J]. 張雷. 鐵道建筑技術. 2017(11)
[2]基于相空間重構的GA-SVR組合模型邊坡位移預測研究[J]. 劉小生,秦志強. 大地測量與地球動力學. 2017(10)
[3]基于小波Mallat算法和BP神經網絡的空氣質量指數預測的研究[J]. 高鵬,周松林. 池州學院學報. 2017(03)
[4]改進灰狼算法在土壤墑情監(jiān)測預測系統中的應用[J]. 李寧,李剛,鄧中亮. 計算機應用. 2017(04)
[5]基于灰狼優(yōu)化算法的多機電力系統穩(wěn)定器參數最優(yōu)設計[J]. 左劍,張程穩(wěn),肖逸,李銀紅,段獻忠. 電網技術. 2017(09)
[6]具有自適應搜索策略的灰狼優(yōu)化算法[J]. 魏政磊,趙輝,韓邦杰,孫楚,李牧東. 計算機科學. 2017(03)
[7]基于灰狼算法的改進研究[J]. 郭振洲,劉然,拱長青,趙亮. 計算機應用研究. 2017(12)
[8]新型灰狼優(yōu)化算法在函數優(yōu)化中的應用[J]. 羅佳,唐斌. 蘭州理工大學學報. 2016(03)
[9]一種新型非線性收斂因子的灰狼優(yōu)化算法[J]. 王敏,唐明珠. 計算機應用研究. 2016(12)
[10]一種計算高鐵沉降預測常用模型參數的新方法[J]. 張吉春,明祖濤. 測繪通報. 2016(01)
博士論文
[1]基于群智能優(yōu)化的機器學習方法研究及應用[D]. 趙東.吉林大學 2017
[2]組合預測方法及其應用研究[D]. 馬濤.蘭州大學 2017
[3]混沌時間序列分析及在鐵路貨運量預測中的應用研究[D]. 吳華穩(wěn).中國鐵道科學研究院 2014
[4]基于支持向量機的金融時間序列分析預測算法研究[D]. 鮑漪瀾.大連海事大學 2013
[5]基于小波分析與神經網絡滾動軸承故障診斷方法的研究[D]. 楊柳松.東北林業(yè)大學 2013
[6]基于支持向量機的巖土非線性變形行為預測研究[D]. 董輝.中南大學 2007
[7]基于小波理論的變形分析模型研究[D]. 文鴻雁.武漢大學 2004
碩士論文
[1]基于時間序列分析的汽車銷量預測研究[D]. 章旭.合肥工業(yè)大學 2017
[2]基于非線性動力系統的時間序列預測技術研究[D]. 郭俊.天津理工大學 2017
[3]小水電群生態(tài)智能調度算法研究與系統開發(fā)[D]. 任沁.浙江工業(yè)大學 2016
[4]小波分析和組合模型在沉降預計中的應用研究[D]. 高山.安徽理工大學 2016
[5]基于EMD的相空間重構極限學習機的短期氣象要素預測方法及其應用研究[D]. 張珊珊.南昌大學 2016
[6]基于ARIMA模型和ARIMAX模型的山東省GDP的預測與分析[D]. 陳聰聰.山東大學 2016
[7]基于支持向量機的組合預測模型及其應用研究[D]. 孟玲玲.河南理工大學 2015
[8]相空間重構和支持向量機結合的短期電力負荷預測研究[D]. 李昕.中北大學 2015
[9]支持向量機模型優(yōu)化方法及其在旋轉機械智能診斷中的應用[D]. 雷絲雨.電子科技大學 2015
[10]基于小波包分解和布谷鳥算法的最小二乘支持向量機風速預測模型的研究與應用[D]. 魏翔.蘭州大學 2015
本文編號：3308645
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/3308645.html
