CN106529185A - 一种古建筑位移的组合预测方法及系统 - Google Patents
一种古建筑位移的组合预测方法及系统 Download PDFInfo
- Publication number
- CN106529185A CN106529185A CN201611042542.0A CN201611042542A CN106529185A CN 106529185 A CN106529185 A CN 106529185A CN 201611042542 A CN201611042542 A CN 201611042542A CN 106529185 A CN106529185 A CN 106529185A
- Authority
- CN
- China
- Prior art keywords
- sequence
- time
- displacement
- influence factor
- serieses
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种古建筑位移的组合预测方法及系统,涉及古建筑位移预测技术领域。该方法有效规避了灰色预测模型自身误差大的缺点,同时减少了神经网络中训练样本随机性对建模精度的影响,提高了整体模型的精度。计算结果表明,该方法的平均绝对误差和平均绝对误差率分别为0.001078和2.67e‑06,预测精度显著优于单一的Verhulst预测、RBF神经网络预测方法和GM‑BP组合预测模型,能更准确地反映实际的古建筑沉降数据发展趋势。
Description
技术领域
本发明涉及古建筑位移预测技术领域,特别涉及一种古建筑位移的组合预测方法及系统。
背景技术
由于古建筑结构的复杂性、多样性以及露天环境因素的多变性,使得其安全稳定性正确评价非常困难。目前关于古建筑稳定影响因素的敏感性研究,许多学者作了大量的工作。目前,用于边坡稳定性分析的方法主要是定量方法,如极限平衡法和数值分析法。这些方法相对简单适用,故在工程实践中得到了广泛的应用。但是此类方法很少考虑实际存在的不确定因素,不足以真实地、客观地反映研究对象的工作状态。而建筑结构系统是一个复杂的多层次、多因素影响的开放系统,其稳定性受到地形地质条件和工程因素等的综合影响。这些因素有一部分是确定的,但是大多数是不确定的。这些不确定因素主要可以分为以下2类:(1)模糊性,是主观性的认知不当所造成的判断误差,包括类别划分不当、数学模型选取不当、量测错误等;(2)随机性,包括物理力学参数的时空异性、作用的随机性和时变性。造成古古建筑位移的因素包括地下水开采、温湿度等环境变化、人为破坏、自身结构等多种随机性、不确定性因素,因此,位移数据具有非线性、复杂性及多模态性等特点,致使沉降预测存在诸多困难。随着研究的深入,采用机器学习方法进行位移预测成为研究热点。
国内外许多学者做了大量研究工作,为防止位移造成的灾害做出了积极的贡献。主要有以下模型和方法,如三点法、Asaokao法、多因素回归法、趋势分析、模糊线性回归、自适应滤波、时间序列分析、专家系统、马尔科夫模型、卡尔曼滤波、灰色模型、突变模型、人工神经网络、非线性动力学法,以及最近兴起的小波分析、混沌论等。从现有模型对位移的预测情况看,主要还有如下问题需要解决:(1)多数模型主要针对位移特征进行学习和预测,考虑影响因素较少;(2)考虑了影响因素,但对影响因素作用过程中的延迟性没有考虑;(3)多数预测建立在大量数据基础上,计算量大,计算复杂,对于小样本位移数据不太适用;(4)这些方法有些建立模型之后参数就固定不变、有些模型精度已不满足当前工程需求。
发明内容
本发明实施例提供了一种古建筑位移的组合预测方法及系统,用以解决现有技术中存在的问题。
一种古建筑位移的组合预测方法,该方法包括:
导入测量得到的位移时间序列和多个影响因素时间序列,并分别计算所述位移时间序列和多个影响因素时间序列之间的小波互相关系数,其中所述影响因素时间序列包括温度时间序列、湿度时间序列、光照强度时间序列、紫外线强度时间序列、风速时间序列、风向时间序列和降水量时间序列;
将所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间;
将三个被选择的所述影响因素时间序列分别按照对应的所述滞后响应时间提前输入至灰色系统GM(1,1),分别将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列;
对所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列;
采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列进行预测,获得位移预测序列;
将所述位移预测序列中的元素进行反归一化操作,获得反归一化后的位移输出序列。
优选地,步骤将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列具体包括:
将所述位移时间序列和被选择影响因素时间序列分别进行累加操作,获得相应的位移累加序列和被选择影响因素累加序列;
计算所述位移累加序列和被选择影响因素累加序列的紧邻均值,分别获得相应的位移紧邻均值生成序列和被选择影响因素紧邻均值生成序列;
分别建立所述位移时间序列和位移紧邻均值生成序列之间的位移灰色微分方程,以及所述被选择影响因素时间序列和被选择影响因素紧邻均值生成序列之间的影响因素灰色微分方程并分别求解,分别确定相应的位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列;
分别对所述位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列进行累减操作,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
一种古建筑位移的组合预测系统,该系统包括:
小波互相关系数计算模块,用于导入测量得到的位移时间序列和多个影响因素时间序列,并分别计算所述位移时间序列和多个影响因素时间序列之间的小波互相关系数,其中所述影响因素时间序列包括温度时间序列、湿度时间序列、光照强度时间序列、紫外线强度时间序列、风速时间序列、风向时间序列和降水量时间序列;
滞后时间确定模块,用于将所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间;
灰色系统初步估计模块,用于将三个被选择的所述影响因素时间序列分别按照对应的所述滞后响应时间提前输入至灰色系统GM(1,1),分别将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列;
归一化模块,用于对所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列;
位移预测模块,用于采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列进行预测,获得位移预测序列;
反归一化模块,用于将所述位移预测序列中的元素进行反归一化操作,获得反归一化后的位移输出序列。
优选地,所述灰色系统初步估计模块包括:
累加子模块,用于将所述位移时间序列和被选择影响因素时间序列分别进行累加操作,获得相应的位移累加序列和被选择影响因素累加序列;
紧邻均值计算子模块,用于计算所述位移累加序列和被选择影响因素累加序列的紧邻均值,分别获得相应的位移紧邻均值生成序列和被选择影响因素紧邻均值生成序列;
灰色微分方程建立子模块,用于分别建立所述位移时间序列和位移紧邻均值生成序列之间的位移灰色微分方程,以及所述被选择影响因素时间序列和被选择影响因素紧邻均值生成序列之间的影响因素灰色微分方程并分别求解,分别确定相应的位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列;
序列估计子模块,用于分别对所述位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列进行累减操作,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
优选地,还包括显示模块,用于显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及显示所述位移输出序列。
优选地,所述显示模块按照图形方式、三点方式、折现方式或者K线方式显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及所述位移输出序列。
本发明的有益效果为:该方法有效规避了灰色预测模型自身误差大的缺点,同时减少了神经网络中训练样本随机性对建模精度的影响,提高了整体模型的精度。计算结果表明,该方法的平均绝对误差和平均绝对误差率分别为0.001078和2.67e-06,预测精度显著优于单一的Verhulst预测、RBF神经网络预测方法和GM-BP组合预测模型,能更准确地反映实际的古古建筑沉降数据发展趋势。通过实际算例表明,利用灰色神经网络组合模型能有效预测未来两年的沉降数据,其预测精度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种古建筑位移的组合预测方法的步骤流程图;
图2为本发明实施例提供的一种古建筑位移的组合预测系统的功能模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在详细说明本发明的技术方案前,首先对一些定义进行解释:
定义1:设序列X=(x(1),x(2),...,x(k),x(k+1),...,x(n)),其中x(k)和x(k+1)为X的一对紧邻值。
定义2:X(0)为原始序列,对X(0)中的每个元素进行运算,若则称为X(0)的一次累加生成算子,记为1-AGO;
若x(0)(k)=x(0)(k)-x(0)(k-1),k=1,2,...,n,则称为X(0)的一次累减生成算子,记为1-IAGO。
定义3:设序列X=(x(1),x(2),...,x(n)),x*(k)=0.5x(k)+0.5x(k-1),则称x*(k)为X的紧邻均值生成数,由紧邻均值生成数构成的序列称为紧邻均值生成序列。
参照图1,本发明实施例提供了一种古建筑位移的组合预测方法,该方法包括:
步骤100,导入测量得到的位移时间序列X1和影响位移的影响因素时间序列,所述影响因素时间序列包括温度时间序列X2、湿度时间序列X3、降水量时间序列X4、光照强度时间序列X5、紫外线强度时间序列X6、风速时间序列X7和风向时间序列X8,则所述位移时间序列X1和影响因素时间序列Xi(i=23,...,8)之间的小波互协方差为:
W cov1i(a,c)=E[W1(a,b)Wi(a,b+c)] (1)
式中,W cov1i(a,c)表示所述位移时间序列X1和影响因素时间序列Xi在尺度a和滞后c下的小波互协方差,W1(a,b)表示所述位移时间序列X1在尺度a和位置b时的小波变换系数,Wi(a,b+c)表示所述影响因素时间序列Xi在尺度a和位置b+c时的小波变换系数,其中c为滞后因子,E[]表示括号中结果的均值。
在得到小波互协方差后,设基于连续小波的两个时间序列之间的小波相关系数为基本小波相关系数,表示为Rxy=|E(Wxy)|/[E(|Wx|2)E(|Wy|2)]1/2。由于小波变换后可能出现小波变换系数为负数的现象,则接着计算所述位移时间序列X1和影响因素时间序列Xi之间的小波互相关系数:
式中,WR1i(a,c)表示所述位移时间序列X1和影响因素时间序列Xi之间的小波互相关系数,R()表示基本小波相关系数,Wcov11(a,0)表示所述位移时间序列X1在尺度a和滞后0下的小波自协方差,Wcovii(a,0)表示所述影响因素时间序列Xi在尺度a和滞后0下的小波自协方差。
根据公式(1)和(2)还可以计算获得所述位移时间序列X1和湿度时间序列X3之间的小波互相关系数WR13(a,c)、所述位移时间序列X1和降水量时间序列X4之间的小波互相关系数WR14(a,c)、所述位移时间序列X1和光照强度时间序列X5之间的小波互相关系数WR15(a,c)、所述位移时间序列X1和紫外线强度时间序列X6之间的小波互相关系数WR16(a,c)、所述位移时间序列X1和风速时间序列X7之间的小波互相关系数WR17(a,c)、所述位移时间序列X1和风向时间序列X8之间的小波互相关系数WR18(a,c)。
步骤110,将七个所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,例如温度时间序列、湿度时间序列和降水量时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间,将所述被选择影响因素时间序列按照对应的滞后响应时间作为预测输入的提前时间。如温度的滞后因子是c1天,则温度的输入要提前c1天。
步骤120,分别将所述被选择影响因素时间序列通过灰色系统GM(1,1)进行初步估计,获得所述位移时间序列X1和被选择影响因素时间序列的初步估计序列。下面以所述被选择影响因素时间序列为温度时间序列X2、湿度时间序列X3和降水量时间序列X4为例进行说明,所述位移时间序列X1的初步估计序列为温度时间序列X2的初步估计序列为湿度时间序列X3的初步估计序列为和降水量时间序列X4的初步估计序列为
具体地,步骤120包括:
第一子步骤,对于所述位移时间序列X1按照定义2进行累加运算,获得累加序列X(1)=(x(1)(1),x(1)(2),...,x(1)(k),x(1)(k+1),...,x(1)(n)),k=1,2,...,n;
第二子步骤,对于所述累加序列X(1)按照定义3运算,获得紧邻均值生成序列Z(1)=(z(1)(2),z(1)(3),...,z(1)(k),z(1)(k+1),...,z(1)(n)),k=1,2,...,n;
第三子步骤,建立所述位移时间序列X1和紧邻均值生成序列Z(1)之间的位移灰色微分方程:
x1(k)+dz(1)(k)=f,k=1,2,...,n
式中,x1(k)为所述位移时间序列X1中的元素,z(1)(k)为所述紧邻均值生成序列Z(1)中的元素,d为发展系数,f为灰色作用量,因此所述位移灰色微分方程的时间响应序列为:
其中,所述发展系数d和灰色作用量f通过最小二乘法确定,即
式中,为灰色参数的估计向量,B为自变量矩阵,Y为估计预测值向量,其表达式分别为:
第四子步骤,将所述灰色微分方程的时间响应序列按照定义2进行累减运算,获得所述位移时间序列X1的初步估计序列
第五子步骤,重复步骤111~114计算所述温度时间序列X2的初步估计序列湿度时间序列X3的初步估计序列和降水量时间序列X4的初步估计序列
步骤140,对所述位移时间序列X1和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列X1归一化后的初步估计序列和被选择影响因素时间序列归一化后的初步估计序列。所述温度时间序列X2归一化后的初步估计序列为所述湿度时间序列X3归一化后的初步估计序列为以及所述降水量时间序列X4归一化后的初步估计序列为
具体地,以所述位移时间序列X1的初步估计序列为例说明,设为中的最大元素,为中的最小元素,则:
其中,为中的元素,通过上式即可将中的元素归一化到0.1~0.9之间。和也可以根据以上公式计算获得。
步骤160,采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列X1的初步估计序列温度时间序列X2的初步估计序列湿度时间序列X3的初步估计序列和降水量时间序列X4的初步估计序列进行预测,获得位移预测序列
具体地,步骤160包括:
第六子步骤,将所述温度时间序列X2={x21,x22,...,x2n}、湿度时间序列X3={x31,x32,...,x3n}和降水量时间序列X4={x41,x42,...,x4n}的并集作为样本点集合X={x21,x22,...,x2n;x31,x32,...,x3n;x41,x42,...,x4n},通过聚类算法将X中的样本点聚为k个聚类,k个聚类的集合为C={cj|j=1,2,...,k},其中且ci∩cj=φ,(i=1,2,...,k,i≠j)。
第七子步骤,初始化信息启发因子α、期望启发因子β、信息素挥发系数ρ和信息素强度Q、聚类半径r,以及蚂蚁个数m,最大进化代数N,令聚类中心cj的初始值为聚类中心cj对应的径向基函数的样本中心点初始值。
第八子步骤,计算所述样本点集X中每个样本点xi在t时刻到每个聚类cj的欧氏距离gij(t)以及启发函数
第九子步骤,计算t时刻样本点xi到聚类中心cj的路径上的信息素:
第十子步骤,将每只蚂蚁爬过的所述样本点集X中的样本点构成的聚类结果构成一个解,即所述径向基函数的解。其中,蚂蚁随机选择一个所述样本点集X中的样本点xi,该样本点xi被聚类到聚类中心cj的概率为:
其中,S={xs|gsj≤r,s=1,2,...,n}。
第十一子步骤,采用轮盘赌选择法确定xi所属的聚类中心。
第十二子步骤,更新聚类中心cj,通过以下公式确定新的聚类中心:
其中,为更新后的聚类中心,J为原聚类中心cj中的样本点数量。
第十三子步骤,当所有蚂蚁完成一次周游后,各路径上的信息素更新公式为τij(t)=ρτij(t)+Δτij(t)。其中,Δτij(t)为信息素的增加量,其表达式为:
其中,lmb为最优聚类结果中各模式样本到其聚类中心的距离之和,表示
第十四子步骤,计算k个聚类中每个聚类的样本点xi到各自更新后的聚类中心的欧式距离之和即若F值达到事先约定的值,则聚类成功,结束。否则,重新开始下一轮聚类。
第十五子步骤,设RBF网络的径向基向量为H(x)=[h1,h2,...,hm]T,选取高斯函数作为径向基函数,并将第十四子步骤中计算得到的聚类中心作为径向基函数的中心,则径向基函数表达式为σj为扩展常数。
第十六子步骤,根据cj以及以下公式计算所述RBF神经网络在k时刻的网络输出:
式中,为输出序列中的第k个元素,ωj为径向基函数的连接权值。根据梯度下降算法,其连接权值ωj、径向基函数的中心点以及扩展常数σi(t)优化表达式分别为:
其中,γ为学习率,取值范围为0<γ<2,y(k)为预测目标值,η2和η3表示梯度下降算法中的学习率,表示误差函数。
步骤180,将所述位移预测序列中的元素按照以下公式进行反归一化操作,获得反归一化后的位移输出序列
其中,为中的元素,为中的最大元素,为中的最小元素。
基于同一发明构思,本发明实施例还提供了一种古建筑位移的组合预测系统,如图2所示,由于该系统解决技术问题的原理和一种古建筑位移的组合预测方法相似,因此该系统的实施可参照方法的实施,重复之处不再赘述。
小波互相关系数计算模块200,用于导入测量得到的位移时间序列和多个影响因素时间序列,并分别计算所述位移时间序列和多个影响因素时间序列之间的小波互相关系数,其中所述影响因素时间序列包括温度时间序列、湿度时间序列、光照强度时间序列、紫外线强度时间序列、风速时间序列、风向时间序列和降水量时间序列。
滞后时间确定模块210,用于将所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间。
灰色系统初步估计模块220,用于将三个被选择的所述影响因素时间序列分别按照对应的所述滞后响应时间提前输入至灰色系统GM(1,1),分别将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
归一化模块230,用于对所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列。
位移预测模块240,用于采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列进行预测,获得位移预测序列。
反归一化模块250,用于将所述位移输出序列中的元素进行反归一化操作,获得反归一化后的位移输出序列。
显示模块260,用于显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及显示所述位移输出序列。
其中所述灰色系统初步估计模块220包括以下子模块:
累加子模块,用于将所述位移时间序列和被选择影响因素时间序列分别进行累加操作,获得相应的位移累加序列和被选择影响因素累加序列。
紧邻均值计算子模块,用于计算所述位移累加序列和被选择影响因素累加序列的紧邻均值,分别获得相应的位移紧邻均值生成序列和被选择影响因素紧邻均值生成序列。
灰色微分方程建立子模块,用于分别建立所述位移时间序列和位移紧邻均值生成序列之间的位移灰色微分方程,以及所述被选择影响因素时间序列和被选择影响因素紧邻均值生成序列之间的影响因素灰色微分方程并分别求解,分别确定相应的位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列。
序列估计子模块,用于分别对所述位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列进行累减操作,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
所述显示模块260按照图形方式、三点方式、折现方式或者K线方式显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及所述位移输出序列。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种古建筑位移的组合预测方法,其特征在于,该方法包括:
导入测量得到的位移时间序列和多个影响因素时间序列,并分别计算所述位移时间序列和多个影响因素时间序列之间的小波互相关系数,其中所述影响因素时间序列包括温度时间序列、湿度时间序列、降水量时间序列、光照强度时间序列、紫外线强度时间序列、风速时间序列和风向时间序列;
将所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间;
将三个被选择的所述影响因素时间序列分别按照对应的所述滞后响应时间提前输入至灰色系统GM(1,1),分别将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列;
对所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列;
采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列进行预测,获得位移预测序列;
将所述位移预测序列中的元素进行反归一化操作,获得反归一化后的位移输出序列。
2.如权利要求1所述的方法,其特征在于,步骤将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列具体包括:
将所述位移时间序列和被选择影响因素时间序列分别进行累加操作,获得相应的位移累加序列和被选择影响因素累加序列;
计算所述位移累加序列和被选择影响因素累加序列的紧邻均值,分别获得相应的位移紧邻均值生成序列和被选择影响因素紧邻均值生成序列;
分别建立所述位移时间序列和位移紧邻均值生成序列之间的位移灰色微分方程,以及所述被选择影响因素时间序列和被选择影响因素紧邻均值生成序列之间的影响因素灰色微分方程并分别求解,分别确定相应的位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列;
分别对所述位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列进行累减操作,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
3.一种古建筑位移的组合预测系统,其特征在于,该系统包括:
小波互相关系数计算模块,用于导入测量得到的位移时间序列和多个影响因素时间序列,并分别计算所述位移时间序列和多个影响因素时间序列之间的小波互相关系数,其中所述影响因素时间序列包括温度时间序列、湿度时间序列、光照强度时间序列、紫外线强度时间序列、风速时间序列、风向时间序列和降水量时间序列;
滞后时间确定模块,用于将所述小波互相关系数排序,选择三个最大的所述小波互相关系数对应的影响因素时间序列,分别计算所述位移时间序列与三个被选择的所述影响因素时间序列之间的小波时滞因子,并确定每个所述小波时滞因子对应的滞后响应时间;
灰色系统初步估计模块,用于将三个被选择的所述影响因素时间序列分别按照对应的所述滞后响应时间提前输入至灰色系统GM(1,1),分别将所述位移时间序列和三个被选择的所述影响因素时间序列通过所述灰色系统GM(1,1)进行初步估计,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列;
归一化模块,用于对所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列分别进行归一化处理,得到所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列;
位移预测模块,用于采用基于蚁群聚类算法的RBF神经网络对所述位移时间序列归一化后的初步估计序列和所述被选择影响因素时间序列归一化后的初步估计序列进行预测,获得位移预测序列;
反归一化模块,用于将所述位移预测序列中的元素进行反归一化操作,获得反归一化后的位移输出序列。
4.如权利要求3所述的系统,其特征在于,所述灰色系统初步估计模块包括:
累加子模块,用于将所述位移时间序列和被选择影响因素时间序列分别进行累加操作,获得相应的位移累加序列和被选择影响因素累加序列;
紧邻均值计算子模块,用于计算所述位移累加序列和被选择影响因素累加序列的紧邻均值,分别获得相应的位移紧邻均值生成序列和被选择影响因素紧邻均值生成序列;
灰色微分方程建立子模块,用于分别建立所述位移时间序列和位移紧邻均值生成序列之间的位移灰色微分方程,以及所述被选择影响因素时间序列和被选择影响因素紧邻均值生成序列之间的影响因素灰色微分方程并分别求解,分别确定相应的位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列;
序列估计子模块,用于分别对所述位移灰色累加预测时间响应序列和被选择影响因素灰色累加预测时间响应序列进行累减操作,获得所述位移时间序列的初步估计序列和被选择影响因素时间序列的初步估计序列。
5.如权利要求3所述的系统,其特征在于,还包括显示模块,用于显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及显示所述位移输出序列。
6.如权利要求5所述的系统,其特征在于,所述显示模块按照图形方式、三点方式、折现方式或者K线方式显示所述被选择影响因素时间序列、与所述被选择影响因素时间序列对应的小波互相关系数以及小波时滞因子,以及所述位移输出序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042542.0A CN106529185B (zh) | 2016-11-24 | 2016-11-24 | 一种古建筑位移的组合预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042542.0A CN106529185B (zh) | 2016-11-24 | 2016-11-24 | 一种古建筑位移的组合预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529185A true CN106529185A (zh) | 2017-03-22 |
CN106529185B CN106529185B (zh) | 2019-02-15 |
Family
ID=58356624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611042542.0A Expired - Fee Related CN106529185B (zh) | 2016-11-24 | 2016-11-24 | 一种古建筑位移的组合预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529185B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368928A (zh) * | 2017-08-03 | 2017-11-21 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
CN108334658A (zh) * | 2017-12-12 | 2018-07-27 | 重庆博建建筑规划设计有限公司 | 一种基于山地堆积感的建筑设计手法 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN109492793A (zh) * | 2018-09-29 | 2019-03-19 | 桂林电子科技大学 | 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法 |
CN110678823A (zh) * | 2017-05-29 | 2020-01-10 | 理化工业株式会社 | 控制系统设计装置以及控制系统 |
CN111473768A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种建筑物安全智能检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN102323970A (zh) * | 2011-05-19 | 2012-01-18 | 河海大学 | 基于多因子小波神经网络模型的水文时间序列预测方法 |
CN103942430A (zh) * | 2014-04-21 | 2014-07-23 | 南京市测绘勘察研究院有限公司 | 一种基于组合模型的建筑物沉降预测方法 |
-
2016
- 2016-11-24 CN CN201611042542.0A patent/CN106529185B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN102323970A (zh) * | 2011-05-19 | 2012-01-18 | 河海大学 | 基于多因子小波神经网络模型的水文时间序列预测方法 |
CN103942430A (zh) * | 2014-04-21 | 2014-07-23 | 南京市测绘勘察研究院有限公司 | 一种基于组合模型的建筑物沉降预测方法 |
Non-Patent Citations (4)
Title |
---|
XIAOHONG ZHANG,ET AL.: "Open-air Unmovable Cultural Relics Health Trend Prediction", 《PROCEEDINGS OF THE 2016 INTERNATIONAL FORUM ON MANAGEMENT, EDUCATION AND INFORMATION TECHNOLOGY APPLICATION》 * |
梁志平: "多变量时间序列相关分析及建模预测研究", 《中国优秀硕士学位论文全文数据库·基础科学辑》 * |
陆建山 等: "基于混沌时间序列的多步预测方法研究", 《测试技术学报》 * |
韩敏 等: "多元混沌时间序列的相关状态机预测模型研究", 《ACTA AUTOMATICA SINICA》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110678823A (zh) * | 2017-05-29 | 2020-01-10 | 理化工业株式会社 | 控制系统设计装置以及控制系统 |
CN110678823B (zh) * | 2017-05-29 | 2021-06-25 | 理化工业株式会社 | 控制系统设计装置以及控制系统 |
CN107368928A (zh) * | 2017-08-03 | 2017-11-21 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
CN107368928B (zh) * | 2017-08-03 | 2021-05-04 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
CN108334658A (zh) * | 2017-12-12 | 2018-07-27 | 重庆博建建筑规划设计有限公司 | 一种基于山地堆积感的建筑设计手法 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN108332649B (zh) * | 2018-02-07 | 2020-04-24 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN109492793A (zh) * | 2018-09-29 | 2019-03-19 | 桂林电子科技大学 | 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法 |
CN111473768A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种建筑物安全智能检测系统 |
CN111473768B (zh) * | 2020-03-20 | 2021-10-29 | 淮阴工学院 | 一种建筑物安全智能检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106529185B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 | |
CN108664893A (zh) | 一种人脸检测方法及存储介质 | |
CN102819663B (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
Bernal et al. | Financial market time series prediction with recurrent neural networks | |
CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
CN104536412A (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN109407654A (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN108197743A (zh) | 一种基于深度学习的预测模型软测量方法 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
CN107844653A (zh) | 一种油藏水驱开发潜力综合评价方法及装置 | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN109002927A (zh) | 基于递归神经网络的油田勘探储量预测方法 | |
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190215 Termination date: 20191124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |