共查询到20条相似文献,搜索用时 40 毫秒
1.
在桥梁施工控制过程中,灰色系统理论得到了广泛的实用,而使用最多的是GM(1,1)模型来预测标高,但是通过实践证明GM(1,1)模型所预测的数据精度并不是非常准确,因此对灰色系统理论进行进一步的研究是迫切的。笔者在沈阳四环跨越沈丹线立交桥实际工程的施工控制中应用了灰色系统理论方法,采用了3种不同的样本数据建立GM(1,1)模型。并建立4个样本数的GM(2,1)模型,并对以上模型所预测的标高结果与实际标高进行对比分析。实践证明灰色理论成功的应用在了跨越沈丹线立交桥的施工控制中,并验证了GM(2,1)模型在预测精度上高于GM(1,1)模型,而增加样本数据非但不能提高GM(1,1)模型所预测的精度反而随着样本数据的增多精度随之降低。 相似文献
2.
介绍了用于桥梁施工监控技术中的两种灰色系统预测模型GM(1,1)和GM(2,1),对比分析了分别采用4个、6个样本数据的GM(1,1)模型和采用4个样本数据的GM(2,1)模型来预测实际工程中的立模标高值的结果,其结果表明:增加样本数据对提高精度作用小,而增加模型阶数对精度提高较大;采用4个样本数据的二阶GM(2,1)... 相似文献
3.
4.
灰色系统理论在填石路堤沉降预测中的应用 总被引:1,自引:0,他引:1
基于填石路堤沉降现场试验,采用负指数曲线拟合路基沉降与时间关系,其与沉降变化趋势吻合较好,说明应用灰色系统理论预测填石路堤沉降是可行的。结合填石路堤沉降特点,首先建立相同沉降观测时段的灰色系统GM(1,1)模型,再运用最小二乘法优化GM(1,1)模型参数,并分别进行实例预测。结果表明,与GM(1,1)模型预测相比,参数优化模型预测精度会有显著提高,且能满足工程要求。 相似文献
5.
分析灰色GM(1,1)预测模型存在的理论缺陷,指出灰色GM(1,1)预测模型虽可用于小样本基础数据预测,但对基础沉降一类随机性强、波动性较大的数据拟合质量较差,预测精度降低。因而,提出利用马尔可夫链修正神经网络模型,其计算过程为:首先建立神经网络动态拟合模型作为基础沉降变化的基准线,在此基础上应用马尔可夫链确定系统状态转移概率矩阵,最后通过系统状态划分样本值与模型拟合值之间的残差及中误差等指标分析计算,最终完成基础沉降的准确计算,该模型应用于基础沉降工程实例运算,取得较好效果。 相似文献
6.
7.
8.
一种改进的灰色模型在交通量预测中的应用 总被引:7,自引:2,他引:7
GM(1,1)模型是灰色系统理论中的核心,已经得到广泛应用。一种改进GM(1,1)模型无论用于拟合或预测,其结果都明显优于常规GM(1,1)模型。结合遗传算法和最小二乘法获得该模型的待定参数,对改进的GM(1,1)模型给出了一种新的求解方法。将此改进GM(1,1)模型用于交叉口交通量的预测,预测结果较好。将等维递推和自适应的思想引入改进GM(1,1)模型,可进一步提高该模型的预测精度和实用性。 相似文献
9.
10.
11.
12.
13.
路面使用性能随路龄的增大而减弱,路面性能衰退情况直接影响路面养护对策的选择和养护资金的投入。为了解决养护对策选择带来的资金浪费与养护后性能不佳等问题,文章以灰色系统理论为基础,通过反演法来计算衰退路龄,构建了一个改进的GM(1,1)公路沥青路面使用性能预测模型。选取宁夏国省干线公路中部分路段路面破损状况指数的数据进行分析,对数据筛选后建立GM(1,1)模型,根据选取的实测数据来反演需要预测路段的衰退路龄,代入改进的GM(1,1)模型对路面性能进行预测,验证其准确性,并与直接采用灰色预测法得到的结果进行比对。结果表明:改进GM(1,1)法与直接使用灰色预测模型相比,剔除了路面进行养护工程后路面性能指数上升的路段,不会出现预测失真的情况,预测精度较好,更符合宁夏干线公路路面使用性能的发展规律。 相似文献
14.
15.
以灰色预测理论为基础,运用灰色GM(1,1)模型,对单桩荷载-沉降(Q-s)曲线拟舍及极限承载力进行预测,论证了以灰色系统理论对单桩承载力进行预测的意义。结果表明,灰色预测具有要求数据少、计算简单而严密、精度高等优点,在工程中具有较高的实际应用价值。 相似文献
16.
本文讨论了灰色系统GM(1,1)模型用于"义乌·中国小商品指数"的预测问题,介绍了灰色系统GM(1,1)模型的预测过程,同时证明了模型在小商品指数预测中应用的可行性,并对"义乌·中国小商品指数"中的周价格总指数进行预测,结果表明了该模型预测的有效性。 相似文献
17.
路基沉降预测一直是道路工程领域的研究重点和难点。常用的GM(1,1)模型所预测的路基沉降值精度相对较低,特别当数据序列急剧变化时,GM(1,1)模型的误差值可能会更大甚至失效。针对传统GM(1,1)模型存在的问题,通过改变初始值,增加扰动因素β优化初始条件。同时利用非齐次指数函数拟合模型中变量的一次累加生成序列优化背景值,提出了初始条件和背景值双优化的新GM(1,1)模型。通过MATLAB软件编程实例计算表明,双优化之后的新GM(1,1)模型较原模型相比,其预测精度有了较大幅度的提高。 相似文献
18.
19.