基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。

基于尖点突变理论的高层建筑沉降变形预测分析

为建立一个全面且系统的高层建筑变形预测模型,本文首先利用卡尔曼滤波对变形数据进行去噪处理,分离出趋势项和误差项,再利用GA-BP模型和LS-GM(1,1)模型对趋势项进行预测,并通过组合得到趋势项预测值;其次,利用马尔科夫链对累计误差序列的进行修正,进一步提高预测精度;最后,利用尖点突变理论对高层建筑的稳定性进行评价,以验证预测模型的有效性。结果表明:半参数型卡尔曼滤波具有较好的滤波效果,且在趋势项的预测过程中,通过对BP神经网络的优化将平均预测精度由4.02%提高到了2.44%,而优化GM(1,1)模型则将平均预测精度由4.29%提高到了2.76%,说明本文的优化方法切实可行。通过误差修正,验证样本中的最大相对误差仅为1.63%,说明误差修正模型达到了进一步提高预测精度的目的,尖点突变理论的分析结果与预测结果相符,均得出高层建筑处于稳定状态,其后期变形将会持续减弱。