灰色多重修正模型與GSA-BP模型的建立及在形變預測中的應用.pdf

1、近年來,采礦、交通等工程蓬勃發(fā)展,所形成的礦山邊坡、鐵路和公路的道路邊坡等規(guī)模之大、數量之多均是空前的。由于地質條件復雜,這些邊坡在施工和運營過程中都會因為各種原因產生一定變形,當變形量超過一定限度時,就可能發(fā)生人為地質災害,如何準確預測預報坡體的變形趨勢一直是工程界的一個熱點難點。本文在研究現有變形預測模型的基礎上,根據數據源類型的不同,將預測模型分為統(tǒng)計型與非線性兩種。利用灰色理論模型、背景值積分優(yōu)化法、參數二次擬合估計法、等維動態(tài)

2、約束法和分段殘差改正法構建了統(tǒng)計型的灰色多重修正預測模型;利用BP神經網絡模型、遺傳算法和模擬退火算法構建了非線性的GSA-BP預測模型,并通過工程實例驗證了這兩個模型的可行性。本文研究內容及成果總結如下:
　　(1)在GM(1,1)模型建模初期,引入背景值積分優(yōu)化法和參數二次擬合估計法對模型內部參數進行優(yōu)化,在一定程度上提高了模型參數及算法的準確性。
　　(2)為減弱數據序列長度對GM(1,1)模型的影響,使用等維動態(tài)約束

3、方法對模型進行優(yōu)化,實時修正模型的誤差趨勢項,有效地提高預測值擬合程度。
　　(3)建立灰色多重修正模型后期,采用殘差修正法分段對殘差進行灰色預測,進一步優(yōu)化模型的誤差趨勢項,結合已知預測結果組成灰色多重修正模型的最終預測值。
　　(4)非線性預測中,BP神經網絡模型存在固有缺陷,利用遺傳算法的全局優(yōu)化特性和模擬退火算法的高搜索效率特征對BP神經網絡的初始權、閾值和訓練過程進行優(yōu)化,較大程度上提高了預測結果的準確性和穩(wěn)定性。