基于时序AR(p)-RBF神经网络的变形建模与预测

被引：11

作者：

高彩云

高宁

机构：

[1] 河南城建学院测绘与城市空间信息系

来源：

测绘科学 | 2013年 / 38卷 / 06期

关键词：

AR(P)模型; RBF神经网络; 交叉验证算法; 变形预测;

D O I：

10.16251/j.cnki.1009-2307.2013.06.054

中图分类号：

P20 [一般性问题];

学科分类号：

摘要：

为提高变形监测数据预测的精度与可靠性,本文提出基于时序AR(p)-RBF神经网络的预测方法。此法采用时间序列分析的DDS建模法,研究形变数据之间的相关性问题,从而确定RBF网络输入、输出层的节点数;并利用交叉验证搜索算法对RBF网络预测关键参数GOAL、SPREAD进行优选,将优化后的RBF网络应用于某建筑物的沉降变形预测,验证了该方法的有效性。

引用

收藏

页码：120 / 122

页数：3

相关论文

共 10 条

[1] RBF神经网络在径流时间序列预测中的应用 [J].

刘佳 ;

鲁帆 ;

蒋云钟 ;

柳建设 .

人民黄河, 2011, 33 (08) :52-54

[2] GRNN在边坡稳定预测分析中的应用 [J].

狄圣杰 ;

李晓敏 ;

魏樯 .

水利水电科技进展, 2011, 31 (03) :80-83

[3] 基于云RBF神经网络模型的大坝监测数据预报 [J].

程琳 ;

徐波 .

水电能源科学, 2010, 28 (06) :64-66+45

[4] BP网络最佳维数建模法在变形时序预测中的应用 [J].

彭祥国 ;

王坚 ;

孙丽红 .

大地测量与地球动力学, 2009, 29 (06) :113-117

[5] 形变监测数据组合预测 [J].

潘国荣 ;

谷川 .

大地测量与地球动力学, 2006, (04) :27-29

[6] 大坝变形预测的径向基函数网络模型 [J].

闫滨 ;

周晶 .

人民长江, 2006, (11) :103-104

[7] 关于BP神经网络转换GPS高程的若干问题 [J].

高宁 ;

高彩云 ;

吴良才 .

测绘工程, 2006, (03) :67-69

[8] 基于时间序列分析的动态变形预测模型研究 [J].

潘国荣 .

武汉大学学报(信息科学版) , 2005, (06) :483-487

[9] 基于Matlab的BP神经网络在大坝观测数据处理中的应用 [J].

徐晖 ;

李钢 .

武汉大学学报(工学版), 2005, (03) :50-53

[10]

高等测量平差[M]. 测绘出版社 , 王新洲等, 2006