基于神经网络与时空序列的混合模型在变形监测中的应用

在变形数据分析与建模中,同时考虑变形体测点之间的时间相关性以及空间相关性的时空序列模型(STARMA)能够更好地反映出变形体的形变规律,但STARMA模型是建立在线性平稳模型基础上的,且大多数观测数据序列是非平稳过程,这给时空序列模型的应用带来了局限性.由于BP神经网络具有很强的非线性映射能力,基于此,结合这两种模型的特点,构造ANN+SRATMA混合模型来处理非平稳序列.通过对建筑物的沉降观测进行分析研究,结果表明了混合模型要优于单一模型,具有很好的实用性.

基于时空全卷积循环神经网络的零件表面形貌预测

零件表面形貌预测对于降低产品质量波动和加工成本、减少零件废品率有重要意义。基于高清晰测量数据,提出一种时空全卷积循环神经网络非平稳时空序列预测模型,实现零件加工表面三维形貌的预测。通过计算全局莫兰指数和时间自相关函数进行时空相关性分析,为模型构建准确的输入,并克服传统预测方法未充分利用数据全局特征和局部特征的缺点以及模型输入的随意性。实例研究的结果表明,提出的方法具有更优的综合预测效果,其预测精度优于传统方法 12%~18%,预测时间是传统方法的1/5。