基于遗传神经网络的非等时距加权灰色线性组合模型在变形监测中的应用

针对非等时距以及BP神经网络会陷入局部极小值的问题,本文提出了基于非等时距加权灰色组合GA-BP模型的新方法。首先对原始变形监测数据采用非等时距的加权灰色组合线性模型处理,然后利用处理后的数据求出残差进而建立GA-BP神经网络模型进行残差修正。通过对比非等时距GM(1,1)以及非等时距加权灰色线性组合模型的结果,发现基于非等加权灰色线性组合GA-BP神经网络模型可以有效地提高模型精度,具有一定的应用价值。

卡尔曼-非等时距加权灰色线性组合模型探讨

针对监测数据中不可避免的含有随机噪声以及监测时间往往不是等时距的问题,该文提出了一种基于卡尔曼滤波的非等时距加权灰色线性组合方法:首先对原始变形监测数据进行卡尔曼滤波处理,有效剔除随机噪声的影响;然后利用滤波后的数据建立非等时间间隔的加权灰色线性组合模型进行预测;最后进行对比分析。该模型不仅具有线性回归以及GM(1,1)的特点,而且克服了传统GM(1,1)的不足。实验结果表明,基于卡尔曼滤波的非等时距加权灰色线性组合模型不仅可以有效的剔除监测数据中的随机噪声,而且提高了模型精度,具有一定的参考价值。