基于小波分析與神經網絡的變形模型分析研究.pdf

1、變形監(jiān)測貫穿建筑物從施工到投入生產的整個過程，通過變形監(jiān)測，可以及時掌握建筑物的變形規(guī)律。建立建筑物的變形預測模型，發(fā)現異常情況迅速采取保護措施，以確保建筑物能正常安全運營。由于衛(wèi)星導航定位技術，三維激光掃描技術等先進技術的發(fā)展與應用，變形監(jiān)測的數據越來越復雜，如何從大量監(jiān)測數據信息中有效的提取與挖掘有用信息，及時做出變形預測，具有重要意義。變形分析的重要部分是變形預測，預測前的數據處理同樣非常重要。本論文主要研究小波分析與神經網絡的變

2、形分析模型，包括：①研究非線性小波變換閾值去噪方法；②研究基于標準粒子群算法的優(yōu)化改進方法；③研究基于小波分析、神經網絡和粒子群算法結合的綜合模型預測方法。
　　論文針對變形數據噪聲的復雜多樣性，從理論上提出了非線性小波變換閾值法去噪新方法，通過構建一類新閾值函數達到更好的去噪目的。對不同的信號進行去噪實驗，取得較好實驗效果。為獲取更佳的去噪效果，本文進一步研究了小波變換的最佳小波分解層數的確定、最優(yōu)小波基的選擇問題，并進行效果實

3、驗。
　　建立BP神經網絡變形預測模型、小波分析與人工神經網絡輔助性結合、小波分析與神經網絡嵌入式結合的小波神經網絡模型。梯度下降法雖然可以尋優(yōu)，但其容易陷入局部極值。為克服這一缺點，本文引入粒子群算法優(yōu)化小波神經網絡模型。針對標準粒子群算法易于早熟的缺陷，構造了一種新的粒子群算法，結合遺傳變異算子的自應慣性權重優(yōu)化算法，實驗證明改進的粒子群算法尋優(yōu)能力比標準粒子群算法更好。
　　將人工神經網絡的強有力逼近能力與小波分析的局