本文關(guān)鍵詞：基于小波分析與神經(jīng)網(wǎng)絡(luò)的變形模型分析研究

  更多相關(guān)文章： 小波分析 信號降噪 人工神經(jīng)網(wǎng)絡(luò) 粒子群算法 沉降預(yù)測

【摘要】：變形監(jiān)測貫穿建筑物從施工到投入生產(chǎn)的整個過程,通過變形監(jiān)測,可以及時掌握建筑物的變形規(guī)律。建立建筑物的變形預(yù)測模型,發(fā)現(xiàn)異常情況迅速采取保護措施,以確保建筑物能正常安全運營。由于衛(wèi)星導(dǎo)航定位技術(shù),三維激光掃描技術(shù)等先進技術(shù)的發(fā)展與應(yīng)用,變形監(jiān)測的數(shù)據(jù)越來越復(fù)雜,如何從大量監(jiān)測數(shù)據(jù)信息中有效的提取與挖掘有用信息,及時做出變形預(yù)測,具有重要意義。變形分析的重要部分是變形預(yù)測,預(yù)測前的數(shù)據(jù)處理同樣非常重要。本論文主要研究小波分析與神經(jīng)網(wǎng)絡(luò)的變形分析模型,包括:①研究非線性小波變換閾值去噪方法;②研究基于標準粒子群算法的優(yōu)化改進方法;③研究基于小波分析、神經(jīng)網(wǎng)絡(luò)和粒子群算法結(jié)合的綜合模型預(yù)測方法。論文針對變形數(shù)據(jù)噪聲的復(fù)雜多樣性,從理論上提出了非線性小波變換閾值法去噪新方法,通過構(gòu)建一類新閾值函數(shù)達到更好的去噪目的。對不同的信號進行去噪實驗,取得較好實驗效果。為獲取更佳的去噪效果,本文進一步研究了小波變換的最佳小波分解層數(shù)的確定、最優(yōu)小波基的選擇問題,并進行效果實驗。建立BP神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型、小波分析與人工神經(jīng)網(wǎng)絡(luò)輔助性結(jié)合、小波分析與神經(jīng)網(wǎng)絡(luò)嵌入式結(jié)合的小波神經(jīng)網(wǎng)絡(luò)模型。梯度下降法雖然可以尋優(yōu),但其容易陷入局部極值。為克服這一缺點,本文引入粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型。針對標準粒子群算法易于早熟的缺陷,構(gòu)造了一種新的粒子群算法,結(jié)合遺傳變異算子的自應(yīng)慣性權(quán)重優(yōu)化算法,實驗證明改進的粒子群算法尋優(yōu)能力比標準粒子群算法更好。將人工神經(jīng)網(wǎng)絡(luò)的強有力逼近能力與小波分析的局部放大功能、粒子群算法的尋優(yōu)能力結(jié)合起來,組建二者的綜合模型,更好的實現(xiàn)對變形監(jiān)測數(shù)據(jù)的預(yù)報分析,為非線性預(yù)測提供了一種新的方法。
【關(guān)鍵詞】：小波分析 信號降噪 人工神經(jīng)網(wǎng)絡(luò) 粒子群算法 沉降預(yù)測
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TU196.1;O174.2;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-13
• 1.1 引言9
• 1.2 研究目的及意義9-11
• 1.3 變形分析模型綜述11-12
• 1.4 本文主要研究內(nèi)容12-13
• 第二章 理論基礎(chǔ)13-28
• 2.1 小波分析理論基礎(chǔ)13-20
• 2.1.1 小波分析數(shù)學(xué)基礎(chǔ)13-14
• 2.1.2 小波變換14-15
• 2.1.3 常用小波基函數(shù)15-17
• 2.1.4 多分辨分析17-19
• 2.1.5 小波包分析19-20
• 2.2 人工神經(jīng)網(wǎng)絡(luò)基本理論20-26
• 2.2.1 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)20-21
• 2.2.2 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法21
• 2.2.3 人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)21-22
• 2.2.4 激活函數(shù)的主要形式22
• 2.2.5 BP神經(jīng)網(wǎng)絡(luò)22-24
• 2.2.6 小波神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)24-26
• 2.3 本章小結(jié)26-28
• 第三章 小波去噪模型分析28-44
• 3.1 小波濾波去噪基本方法28-29
• 3.2 小波去噪效果評價體系29-30
• 3.3 改進閾值函數(shù)去噪方法研究30-42
• 3.3.1 閾值去噪基本原理30
• 3.3.2 改進的閾值函數(shù)去噪研究30-37
• 3.3.3 最佳分解層數(shù)的確定37-39
• 3.3.4 最優(yōu)小波基函數(shù)的選取39-42
• 3.4 本章小結(jié)42-44
• 第四章：小波神經(jīng)網(wǎng)絡(luò)模型分析研究44-55
• 4.1 粒子群算法基礎(chǔ)44-46
• 4.1.1 粒子群算法基本原理44-45
• 4.1.2 粒子群算法基本步驟45-46
• 4.2 粒子群算法的方法改進46
• 4.3 本文采用的改進粒子群算法46-47
• 4.4“WB-PSO”算法仿真47-51
• 4.4.1 測試函數(shù)的選取47-48
• 4.4.2 實驗仿真48-51
• 4.5 改進粒子群小波神經(jīng)網(wǎng)絡(luò)模型構(gòu)建51-54
• 4.5.1 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計52-53
• 4.5.2 改進粒子群的小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟53-54
• 4.6 本章小結(jié)54-55
• 第五章 實例分析55-71
• 5.1 變形預(yù)測模型的建立55-57
• 5.1.1 數(shù)據(jù)樣本劃分及歸一化55-56
• 5.1.2 變形沉降模型的構(gòu)建56
• 5.1.3 模型預(yù)測效果評價體系56-57
• 5.2 工程實例（一）預(yù)測57-63
• 5.2.1 工程概況57
• 5.2.2 網(wǎng)絡(luò)模型訓(xùn)練57-63
• 5.3 工程實例（二）預(yù)測63-69
• 5.3.1 工程概況63
• 5.3.2 網(wǎng)絡(luò)模型訓(xùn)練63-69
• 5.4 實驗結(jié)果分析69-70
• 5.4.1 模型比較69
• 5.4.2 結(jié)果分析69-70
• 5.5 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 總結(jié)71
• 6.2 展望71-73
• 參考文獻73-77
• 附錄77-81
• 附表（1）“CJ20”點ciof3 小波去噪統(tǒng)計表77-80
• 附表（2）“T06”點sym5 小波去噪表80-81
• 致謝81-82
• 攻讀學(xué)位期間論文發(fā)表情況82-83

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 陳偉清;灰色預(yù)測在建筑物沉降變形分析中的應(yīng)用[J];測繪科學(xué);2005年05期

2 曾勇，李玉東,唐小我;簡單平均組合預(yù)測有效性的應(yīng)用分析[J];電子科技大學(xué)學(xué)報;1999年01期

3 魏寶琴;李白萍;;最優(yōu)小波基的選取原則[J];甘肅科技;2007年10期

4 李肅義;嵇艷鞠;劉偉宇;王智宏;;小波變換與神經(jīng)網(wǎng)絡(luò)融合法在油頁巖近紅外光譜分析中的應(yīng)用[J];光譜學(xué)與光譜分析;2013年04期

5 劉文豪;黎曦;胡伍生;;基于神經(jīng)網(wǎng)絡(luò)和雙曲線混合模型的高速公路沉降預(yù)測[J];東南大學(xué)學(xué)報(自然科學(xué)版);2013年S2期

6 王行甫;陳宏亮;;基于改進粒子群優(yōu)化算法的BP預(yù)測模型[J];計算機系統(tǒng)應(yīng)用;2014年04期

，

本文編號：799305