基于Kalman-BP組合模型的變形分析與預(yù)測(cè)方法研究.pdf

1、變形分析方法研究是工程健康監(jiān)測(cè)與評(píng)估中的重要內(nèi)容之一，目前變形分析與預(yù)測(cè)的方法模型較多，主要包括:趨勢(shì)分析法、時(shí)間序列法、灰色模型法GM(1，1)、神經(jīng)網(wǎng)絡(luò)模型法等。結(jié)合Kalman濾波在動(dòng)態(tài)實(shí)時(shí)預(yù)測(cè)中的優(yōu)勢(shì)以及BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)非線性映射能力，探討了兩者的融合算法及其在變形分析與預(yù)測(cè)中的應(yīng)用。筆者研究過(guò)程中，主要取得了以下研究成果:
　　1.推導(dǎo)了離散型Kalman濾波的數(shù)學(xué)模型，研究了極大驗(yàn)后估計(jì)自適應(yīng)Kalman濾波與基于方差

2、分量估計(jì)的自適應(yīng)Kalman濾波，有效限制了傳統(tǒng)Kalman濾波的發(fā)散問(wèn)題;詳細(xì)研究了BP神經(jīng)網(wǎng)絡(luò)的原理與學(xué)習(xí)流程，給出了基于批量樣本學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)程序流程。
　　2.研究了Kalman與BP最優(yōu)加權(quán)組合模型(OWC Kalman-BP)。OWC Kalman-BP是將Kalman濾波與BP神經(jīng)網(wǎng)絡(luò)作為單項(xiàng)模型，根據(jù)單項(xiàng)模型的殘差對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合。分析表明，OWC Kalman-BP降低了單項(xiàng)模型的不確定性影響，可有效提

3、高預(yù)測(cè)精度。
　　3.研究了基于Kalman濾波學(xué)習(xí)算法的BP神經(jīng)網(wǎng)絡(luò)（KLA Kalman-BP）。該組合方法是以BP神經(jīng)網(wǎng)絡(luò)為核心模型，用Kalman濾波作為學(xué)習(xí)算法去調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。KLA Kalman-BP大幅提高了網(wǎng)絡(luò)的收斂速度，同時(shí)還可改善傳統(tǒng)BP的局部最優(yōu)問(wèn)題。分析表明，KLA Kalman-BP的建模效率與精度均優(yōu)于傳統(tǒng)BP與OWCKalman-BP。
　　4.根據(jù)工程經(jīng)驗(yàn)，將工程變形趨勢(shì)分為典型的四大