当前位置:主页 > 科技论文 > 数学论文 >

基于小波分析与神经网络的变形模型分析研究

发布时间:2017-09-05 17:28

  本文关键词:基于小波分析与神经网络的变形模型分析研究


  更多相关文章: 小波分析 信号降噪 人工神经网络 粒子群算法 沉降预测


【摘要】:变形监测贯穿建筑物从施工到投入生产的整个过程,通过变形监测,可以及时掌握建筑物的变形规律。建立建筑物的变形预测模型,发现异常情况迅速采取保护措施,以确保建筑物能正常安全运营。由于卫星导航定位技术,三维激光扫描技术等先进技术的发展与应用,变形监测的数据越来越复杂,如何从大量监测数据信息中有效的提取与挖掘有用信息,及时做出变形预测,具有重要意义。变形分析的重要部分是变形预测,预测前的数据处理同样非常重要。本论文主要研究小波分析与神经网络的变形分析模型,包括:①研究非线性小波变换阈值去噪方法;②研究基于标准粒子群算法的优化改进方法;③研究基于小波分析、神经网络和粒子群算法结合的综合模型预测方法。论文针对变形数据噪声的复杂多样性,从理论上提出了非线性小波变换阈值法去噪新方法,通过构建一类新阈值函数达到更好的去噪目的。对不同的信号进行去噪实验,取得较好实验效果。为获取更佳的去噪效果,本文进一步研究了小波变换的最佳小波分解层数的确定、最优小波基的选择问题,并进行效果实验。建立BP神经网络变形预测模型、小波分析与人工神经网络辅助性结合、小波分析与神经网络嵌入式结合的小波神经网络模型。梯度下降法虽然可以寻优,但其容易陷入局部极值。为克服这一缺点,本文引入粒子群算法优化小波神经网络模型。针对标准粒子群算法易于早熟的缺陷,构造了一种新的粒子群算法,结合遗传变异算子的自应惯性权重优化算法,实验证明改进的粒子群算法寻优能力比标准粒子群算法更好。将人工神经网络的强有力逼近能力与小波分析的局部放大功能、粒子群算法的寻优能力结合起来,组建二者的综合模型,更好的实现对变形监测数据的预报分析,为非线性预测提供了一种新的方法。
【关键词】:小波分析 信号降噪 人工神经网络 粒子群算法 沉降预测
【学位授予单位】:江西理工大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TU196.1;O174.2;TP183
【目录】:
  • 摘要4-5
  • Abstract5-9
  • 第一章 绪论9-13
  • 1.1 引言9
  • 1.2 研究目的及意义9-11
  • 1.3 变形分析模型综述11-12
  • 1.4 本文主要研究内容12-13
  • 第二章 理论基础13-28
  • 2.1 小波分析理论基础13-20
  • 2.1.1 小波分析数学基础13-14
  • 2.1.2 小波变换14-15
  • 2.1.3 常用小波基函数15-17
  • 2.1.4 多分辨分析17-19
  • 2.1.5 小波包分析19-20
  • 2.2 人工神经网络基本理论20-26
  • 2.2.1 人工神经网络的结构20-21
  • 2.2.2 人工神经网络的学习算法21
  • 2.2.3 人工神经网络的性质21-22
  • 2.2.4 激活函数的主要形式22
  • 2.2.5 BP神经网络22-24
  • 2.2.6 小波神经网络理论基础24-26
  • 2.3 本章小结26-28
  • 第三章 小波去噪模型分析28-44
  • 3.1 小波滤波去噪基本方法28-29
  • 3.2 小波去噪效果评价体系29-30
  • 3.3 改进阈值函数去噪方法研究30-42
  • 3.3.1 阈值去噪基本原理30
  • 3.3.2 改进的阈值函数去噪研究30-37
  • 3.3.3 最佳分解层数的确定37-39
  • 3.3.4 最优小波基函数的选取39-42
  • 3.4 本章小结42-44
  • 第四章:小波神经网络模型分析研究44-55
  • 4.1 粒子群算法基础44-46
  • 4.1.1 粒子群算法基本原理44-45
  • 4.1.2 粒子群算法基本步骤45-46
  • 4.2 粒子群算法的方法改进46
  • 4.3 本文采用的改进粒子群算法46-47
  • 4.4“WB-PSO”算法仿真47-51
  • 4.4.1 测试函数的选取47-48
  • 4.4.2 实验仿真48-51
  • 4.5 改进粒子群小波神经网络模型构建51-54
  • 4.5.1 小波神经网络的结构设计52-53
  • 4.5.2 改进粒子群的小波神经网络训练步骤53-54
  • 4.6 本章小结54-55
  • 第五章 实例分析55-71
  • 5.1 变形预测模型的建立55-57
  • 5.1.1 数据样本划分及归一化55-56
  • 5.1.2 变形沉降模型的构建56
  • 5.1.3 模型预测效果评价体系56-57
  • 5.2 工程实例(一)预测57-63
  • 5.2.1 工程概况57
  • 5.2.2 网络模型训练57-63
  • 5.3 工程实例(二)预测63-69
  • 5.3.1 工程概况63
  • 5.3.2 网络模型训练63-69
  • 5.4 实验结果分析69-70
  • 5.4.1 模型比较69
  • 5.4.2 结果分析69-70
  • 5.5 本章小结70-71
  • 第六章 总结与展望71-73
  • 6.1 总结71
  • 6.2 展望71-73
  • 参考文献73-77
  • 附录77-81
  • 附表(1)“CJ20”点ciof3 小波去噪统计表77-80
  • 附表(2)“T06”点sym5 小波去噪表80-81
  • 致谢81-82
  • 攻读学位期间论文发表情况82-83

【参考文献】

中国期刊全文数据库 前6条

1 陈伟清;灰色预测在建筑物沉降变形分析中的应用[J];测绘科学;2005年05期

2 曾勇,李玉东,唐小我;简单平均组合预测有效性的应用分析[J];电子科技大学学报;1999年01期

3 魏宝琴;李白萍;;最优小波基的选取原则[J];甘肃科技;2007年10期

4 李肃义;嵇艳鞠;刘伟宇;王智宏;;小波变换与神经网络融合法在油页岩近红外光谱分析中的应用[J];光谱学与光谱分析;2013年04期

5 刘文豪;黎曦;胡伍生;;基于神经网络和双曲线混合模型的高速公路沉降预测[J];东南大学学报(自然科学版);2013年S2期

6 王行甫;陈宏亮;;基于改进粒子群优化算法的BP预测模型[J];计算机系统应用;2014年04期



本文编号:799305

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/yysx/799305.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户392aa***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com