基于小波去噪与BP神经网络的地铁沉降组合预测方法
发布时间：2021-11-23 11:42
为准确预测地铁开挖引起的地表沉降,采用小波去噪与BP神经网络组合预测的方法,对不同小波去噪参数的去噪效果进行对比分析,得到最佳去噪模型,再对监测数据进行降噪处理,最后结合BP神经网络进行地铁沉降预测。未降噪处理的BP神经网络预测值、经小波降噪处理的BP神经网络预测值与实际监测数据的对比分析表明,小波降噪与BP神经网络组合预测的精度最高,为地铁沉降预测提供一种新的方法。
【文章来源】：水力发电. 2020,46(10)北大核心
【文章页数】：5 页
【部分图文】：
监测点GCJ-01-07位置
小波分析是近年来迅速发展的信号处理技术，能对多分辨率进行时频分析，被誉为数学显微镜[22-23]。由于监测数据中真实信号和噪声的时频特性不同，通过小波分析可对其进行有效分离，从而减小误差，获得真实的变形信息[24]。一般情况下，小波去噪的步骤为[25-30]:(1)根据工程的实际特点选择去噪参数;(2)阈值处理;(3)通过小波变换重构信号。本文在对原始数据进行去噪之前，首先研究了各种去噪参数对去噪效果的影响，从而获得最优的去噪模型，以期达到最佳去噪效果。衡量小波去噪效果的指标主要有均方根误差(RMSE)和信噪比(SNR)。RMSE指降噪信号与原始信号的均方误差，RMSE越小则去噪效果越好。SNR指原始信号与噪声的能量比值，SNR越大则去噪效果越好。
在小波去噪的过程中，阈值的选取方法主要有硬阈值和软阈值，选取标准主要有固定阈值(sqtwolog)、极大极小阈值(minimaxi)、无偏风险估计阈值(rigrsure)和启发式阈值(heursure)。基于相关文献的研究，采用工程中广泛使用的小波函数db N和sym N进行3层分解，以无偏风险估计阈值rigrsure为选取标准，scal=sln，分别用上述阈值对监测数据进行去噪处理，用SNR和RMSE衡量去噪效果。去噪结果见图3。图3中，(1)代表db小波系SNR;(2)代表db小波系RMSE;(3)代表sym小波系SNR;(4)代表sym小波系RMSE。从图3可知，无论在db小波系和sym小波系中选取何种阈值去噪，RMSE均相差不大，但硬阈值去噪的SNR明显大于软阈值，且rigrsure的SNR最高，说明硬阈值、rigrsure标准的去噪效果最好。2.2 不同scal对去噪效果的影响
【参考文献】：
期刊论文
[1]基于小波分析的神经网络基坑变形预测模型[J]. 崔腾飞,许章平,刘成洲,李一凡. 北京测绘. 2018(03)
[2]基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用[J]. 戴理文,王胜平,伍梦. 湖北民族学院学报(自然科学版). 2018(01)
[3]变形监测数据降噪方法分析[J]. 李祖锋,柯生学,尹业彪. 西北水电. 2017(03)
[4]地铁施工诱发地表最大沉降量估算及规律分析[J]. 朱才辉,李宁. 岩石力学与工程学报. 2017(S1)
[5]基于小波去噪的变形监测数据处理的方法研究[J]. 黄清,唐诗华,许虹伟. 北京测绘. 2015(06)
[6]基于小波去噪和神经网络的滑坡变形组合预测研究[J]. 隆然,董志勇. 路基工程. 2015(06)
[7]桥梁变形监测数据小波去噪与Kalman滤波研究[J]. 栾元重,栾亨宣,李伟,翁丽媛,杜玉喜. 大地测量与地球动力学. 2015(06)
[8]黄土地层地铁暗挖隧道地表纵向沉降规律及其预测分析方法[J]. 佘芳涛,王永鑫,张玉. 岩土力学. 2015(S1)
[9]基于小波去噪和回归分析的滑坡深部位移预测研究[J]. 夏巍巍,万佳威,丁妍,罗林. 水电能源科学. 2014(10)
[10]基于小波去噪的深基坑变形预测研究[J]. 杨哲峰,罗林,贾东彦,唐霞. 人民长江. 2014(19)
博士论文
[1]地铁施工变形对邻近建筑物安全影响分析[D]. 秦东平.北京交通大学 2016
硕士论文
[1]基于小波去噪的灰色BP模型在深基坑变形监测中的应用[D]. 黄振.成都理工大学 2018
[2]基于小波和时间序列分析组合模型的地铁隧道变形预测研究[D]. 朱志枫.南京师范大学 2017
[3]地铁隧道开挖对地表及建筑物的损害研究[D]. 王静.青岛理工大学 2014
[4]基于小波去噪的BP神经网络在变形预测中的应用[D]. 严容.中国地质大学（北京） 2014
[5]青岛地铁3号线暗挖段地表变形BP神经网络预测研究[D]. 徐星星.中国海洋大学 2012
[6]隧道开挖引发的地表变形对上部建筑物的影响研究[D]. 邢宾.青岛理工大学 2010
[7]地铁隧道开挖诱发的地表沉降与变形预测分析[D]. 袁杰.北京交通大学 2010
本文编号：3513808
【文章来源】：水力发电. 2020,46(10)北大核心
【文章页数】：5 页
【部分图文】：
监测点GCJ-01-07位置
小波分析是近年来迅速发展的信号处理技术，能对多分辨率进行时频分析，被誉为数学显微镜[22-23]。由于监测数据中真实信号和噪声的时频特性不同，通过小波分析可对其进行有效分离，从而减小误差，获得真实的变形信息[24]。一般情况下，小波去噪的步骤为[25-30]:(1)根据工程的实际特点选择去噪参数;(2)阈值处理;(3)通过小波变换重构信号。本文在对原始数据进行去噪之前，首先研究了各种去噪参数对去噪效果的影响，从而获得最优的去噪模型，以期达到最佳去噪效果。衡量小波去噪效果的指标主要有均方根误差(RMSE)和信噪比(SNR)。RMSE指降噪信号与原始信号的均方误差，RMSE越小则去噪效果越好。SNR指原始信号与噪声的能量比值，SNR越大则去噪效果越好。
在小波去噪的过程中，阈值的选取方法主要有硬阈值和软阈值，选取标准主要有固定阈值(sqtwolog)、极大极小阈值(minimaxi)、无偏风险估计阈值(rigrsure)和启发式阈值(heursure)。基于相关文献的研究，采用工程中广泛使用的小波函数db N和sym N进行3层分解，以无偏风险估计阈值rigrsure为选取标准，scal=sln，分别用上述阈值对监测数据进行去噪处理，用SNR和RMSE衡量去噪效果。去噪结果见图3。图3中，(1)代表db小波系SNR;(2)代表db小波系RMSE;(3)代表sym小波系SNR;(4)代表sym小波系RMSE。从图3可知，无论在db小波系和sym小波系中选取何种阈值去噪，RMSE均相差不大，但硬阈值去噪的SNR明显大于软阈值，且rigrsure的SNR最高，说明硬阈值、rigrsure标准的去噪效果最好。2.2 不同scal对去噪效果的影响
【参考文献】：
期刊论文
[1]基于小波分析的神经网络基坑变形预测模型[J]. 崔腾飞,许章平,刘成洲,李一凡. 北京测绘. 2018(03)
[2]基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用[J]. 戴理文,王胜平,伍梦. 湖北民族学院学报(自然科学版). 2018(01)
[3]变形监测数据降噪方法分析[J]. 李祖锋,柯生学,尹业彪. 西北水电. 2017(03)
[4]地铁施工诱发地表最大沉降量估算及规律分析[J]. 朱才辉,李宁. 岩石力学与工程学报. 2017(S1)
[5]基于小波去噪的变形监测数据处理的方法研究[J]. 黄清,唐诗华,许虹伟. 北京测绘. 2015(06)
[6]基于小波去噪和神经网络的滑坡变形组合预测研究[J]. 隆然,董志勇. 路基工程. 2015(06)
[7]桥梁变形监测数据小波去噪与Kalman滤波研究[J]. 栾元重,栾亨宣,李伟,翁丽媛,杜玉喜. 大地测量与地球动力学. 2015(06)
[8]黄土地层地铁暗挖隧道地表纵向沉降规律及其预测分析方法[J]. 佘芳涛,王永鑫,张玉. 岩土力学. 2015(S1)
[9]基于小波去噪和回归分析的滑坡深部位移预测研究[J]. 夏巍巍,万佳威,丁妍,罗林. 水电能源科学. 2014(10)
[10]基于小波去噪的深基坑变形预测研究[J]. 杨哲峰,罗林,贾东彦,唐霞. 人民长江. 2014(19)
博士论文
[1]地铁施工变形对邻近建筑物安全影响分析[D]. 秦东平.北京交通大学 2016
硕士论文
[1]基于小波去噪的灰色BP模型在深基坑变形监测中的应用[D]. 黄振.成都理工大学 2018
[2]基于小波和时间序列分析组合模型的地铁隧道变形预测研究[D]. 朱志枫.南京师范大学 2017
[3]地铁隧道开挖对地表及建筑物的损害研究[D]. 王静.青岛理工大学 2014
[4]基于小波去噪的BP神经网络在变形预测中的应用[D]. 严容.中国地质大学（北京） 2014
[5]青岛地铁3号线暗挖段地表变形BP神经网络预测研究[D]. 徐星星.中国海洋大学 2012
[6]隧道开挖引发的地表变形对上部建筑物的影响研究[D]. 邢宾.青岛理工大学 2010
[7]地铁隧道开挖诱发的地表沉降与变形预测分析[D]. 袁杰.北京交通大学 2010
本文编号：3513808
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3513808.html
