小波神经网络在建筑物变形分析中的应用
工程建筑物如高层建筑、大型桥梁、大坝等产生变形造成工程质量事故或工程灾害，造成直接经济损失上亿元，工程建筑物的安全监测与变形分析预报研究日益受到人们的关注，成为国内外学者高度关注的问题。综合变形分析目前的研究现状与发展趋势，单一的预测模型和静态变形分析模型已经很难满足复杂的变形以及预测精度的要求，因此多种理论与方法相结合的综合动态变形分析模型应运而生。本文针对在变形数据处理方面进行一些研究，主要讨论了小波分析在变形分析中的应用，进行了小波神经网络在工程建筑物变形分析与预报应用研究，主要研究内容如下：
1.结合变形数据的特点，重点论述了小波去噪的原理，并对小波变换阈值法去噪方法进行了研究，对自适应阈值去噪方法提出了一种改进的算法，将该算法应用于变形数据去噪处理，得到的去噪效果好。
2.讨论了人工神经网络的原理并进行应用研究。阐述了人工神经网络的模型结构及其基本特点，分析了人工神经网络的基本性质。阐述了BP神经网络和RBF神经网络的基础原理，研究了RBF神经网络的学习算法和工作特性。针对两种网络的特点比较了它们的不同，并将两种网络应用于某高铁隧道沉降观测数据分析与预测中，通过结果比较，得出RBF神经网络的预测值精度要高于BP神经网络结论。
3.研究了小波神经网络理论，并进行了初步应用。阐述了小波神经网络的理论，分析了小波神经网络的特点，并对算法进行了研究，重点讨论了小波神经网络的参数选择以及初始化的问题。将小波神经网络应用在了某大桥的变形监测数据处理中，与多项式拟合方法相比，计算速度较快，预测精度相对较高，得到相对较好的结果。
4.将小波神经网络在工程建筑物变形分析中进行应用，建立了两种小波神经网络的预测模型，即神经网络松散型结合的预测模型和小波神经网络融合预测模型，并进行具体应用，通过两个实例的计算结果比较，证明本文建立的自适应阈值去噪方法的改进算法与神经网络松散型结合的预测模型预测精度要优于单一模型精度以及现有的小波神经网络松散型结合的预测模型，自适应阈值去噪方法的改进算法与神经网络松散型结合的预测模型，在工程建筑物的变形分析与预报中应用具有建模容易、算法速度快、精度高优点。
小波分析;变形分析;小波神经网络;自适应阈值法;去噪处理
桂林理工大学
硕士
大地测量学与测量工程
文鸿雁
2012
中文
TU196.1
77
2012-09-03（万方平台首次上网日期，不代表论文的发表时间）