基于灰色神经网络的变形预测模型应用研究
灰色神经网络模型在变形监测数据处理中得到广泛应用。将神经网络与灰色系统理论两种方法融合建立灰色神经网络能弥补二者之不足，理论上具有一定优势，目前，已有不少学者在灰色神经网络优化研究这一领域取得一定成果。通过优化的灰色神经网络模型对不确定信息进行处理，并进行变形分析与预报中应用研究，已成为一个重要的研究方向。本文内容如下：
1、介绍了变形分析与预测的主要方法，综述了灰色神经网络模型的研究现状和进展，分析存在的问题，提出了本文研究的内容。
2、讨论了灰色理论的基本原理，研究了一阶灰色模型GM(1，1)与二阶灰色模型GM(2，1)建模理论与算法，并对GM(1，1)模型初值的修正进行了讨论，并应用于建筑物沉降观测数据分析与预测中，计算结果表明，经过修正初值的一阶灰色模型预测精度高于传统GM(1，1)模型，GM(2，1)模型在非单调的或振荡的动态过程中预测效果优于GM(1，1)模型。
3、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。研究了BP神经网络的学习算法和工作特性。将BP神经网络应用于某高铁沉降变形分析预测中，得出BP神经网络在预测精度上要高于灰色模型的结论。
4、运用最小二乘法求解灰微分方程的参数，以灰参数作为BP网络训练的初始权值和阈值，网络初始值由灰色预测模型定出，避免了由于网络训练速率过慢或者过快而引起的网络的不稳定，在保证网络精度基础上，缩短了训练时间。
5、研究了灰色系统理论与神经网络相结合建模的理论方法。重点讨论了GM(1，1)与BP神经网络完全融合的建模方法。利用灰色GM(1，1)模型针对“小样本”的特性以及BP网络良好的非线性函数逼近能力和不易陷入局部最优解的特点，建立了灰色神经网络预测模型(GNNM(1，1))，并且对GM(1，1)模型初值进行修正，使其精度进一步提高。结合某高铁变形监测数据，利用GM(1，1)模型、BP神经网络和GNNM(1，1)模型依次进行分析与预测，结果表明GM(1，1)精度最低，神经网络的预报适应能力较强，得到预测值精度较高，而灰色神经网络预测模型(GNNM(1，1))比单一BP神经网络预测精度更高，应用效果更好。进一步说明灰色神经网络模型可以作为变形分析预报的有效工具。
小样本数据;BP神经网络;变形监测;最小二乘法;灰微分方程
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;TP183
73
2012-09-03（万方平台首次上网日期，不代表论文的发表时间）