基于小波去噪的灰色GM(1,1)与RBFNN在变形预测中的应用

摘要

随着全球经济的不断发展，各种大型建筑物的建设也越来越多。这些建筑物在各种因素的影响下，必将会产生规则或者不规则的变形，当这些形变超出一定限度时，就会影响建筑物的正常使用，严重时会影响人民的生命财产安全。因此，为了避免人员伤亡和经济损失，对建筑物在施工、运营期间进行变形监测，并合理预测变形，对保证施工安全和灾害防护都有重要意义。
　　 工程变形监测的分析与预报是以变形监测为基础、涉及多学科交叉(如系统论和非线性科学等)，是一门发展很快的技术。随着监测仪器的发展、监测方法的多样化以及监测内容不断精细，如何借助先进的数学理论和信号处理方法来深入地分析工程变形的非线性及其复杂性，探讨变形量趋势信息的提取、预测预报及判定变形体的稳定性，从而科学的进行灾害防治，是变形监测研究的重要方向。
　　 基于变形体变形的错综复杂性，目前学者主要从理论和实践两方面提出了多种预测变形体变形值的方法。在实际应用中，实测数据分析的方法得到了较为广泛的应用。目前国内建立的模型虽然各具特点和优点，但相应的都具有一定局限性。研究表明，将两种方法结合建模预测效果优于单一非线性预测方法。本文正是基于各种单一模型的优点和不足，将小波理论与灰色GM(1，1)模型、RBF神经网络分别结合的方法建立沉降预测模型，并将组合模型应用于工程实例，对比分析组合模型以及单一模型的预测精度、适用性以及应用效果。具体探讨的内容如下：
　　 1、首先介绍小波去噪的原理方法、灰色模型GM(1，1)和RBF神经网络自建模方法和建模特点。
　　 2、提出了小波去噪的灰色组合模型和小波去噪的神经网络组合模型以及相应的建模方法，并详细叙述了这两个模型的可行性。
　　 3、分别用新陈代谢GM(1，1)模型、RBF神经网络模型两个单一模型以及小波RBF神经网络模和小波新陈代谢GM(1，1)两种组合模型对某大厦的沉降观测点的累积沉降值进行处理和预测。预测结果表明本文提出的组合模型的预测结果优于单一模型预测结果，并且小波RBF神经网络的预测效果要优于小波GM(1，1)模型的预测结果。