一种古建筑沉降的组合预测方法及系统技术方案

本发明专利技术提供了一种古建筑沉降的组合预测方法及系统，涉及古建筑沉降预测技术领域。利用Verhulst灰色模型通过采用等维递补滚动方法进行多次预测，可以利用较少的样本进行趋势预测，对沉降数据的趋势进行总体把握。然后，然后将初步预测结果输入RBF神经网络，充分发挥RBF局部寻优的优势。该模型既可以有效避免BP等神经网络的全局优化过拟合现象，提高预测的精度的同时，又可以规避Verhuslt灰色模型多步预测的低精度问题，真正实现古建筑沉降数据的高精度多步预测。

A combined prediction method and system for settlement of ancient buildings

The invention provides a combined prediction method and system for settlement of ancient buildings, which relates to the settlement prediction technology of ancient buildings. Verhulst grey model is used to forecast many times by using equal dimension filling rolling method, which can be used to predict the trend of the subsidence data with less samples. Then, the initial prediction results are input into the RBF neural network to give full play to the advantages of RBF local optimization. The model can effectively avoid the global optimization of BP and other neural network overfitting phenomenon, improve the accuracy of prediction, but also can avoid the Verhuslt gray model multi-step prediction of low precision problem, truly realize the ancient building settlement data high-precision multi-step prediction.

【技术实现步骤摘要】
一种古建筑沉降的组合预测方法及系统
本专利技术涉及古建筑沉降预测
，特别涉及一种古建筑沉降的组合预测方法及系统。
技术介绍
当今，文物保护模式逐渐从“抢救性”保护过渡到“预防性”保护，利用物联网技术实现文物多角度全方位监测，为文物病害发展趋势预测提供了丰富的数据支持，为文物保护和修复方案的制定提供了重要依据，避免因决策不当造成文化遗产价值遗失。文化遗产包含古墓葬、古建筑等不可移动文物。古建筑沉降是由于建筑物荷载通过基础底面传递给地基，使天然土层原有的应力状态发生变化，当地基荷载不均匀时，就会造成不均匀沉降，从而给古建筑完整性和安全性带来隐患。如果沉降变形估计不足，轻则出现裂缝影响古建筑观瞻性和稳定性，重则会引发结构坍塌和严重人员伤亡事故。因此，提高古建筑沉降的预测精度至关重要。造成古建筑沉降的因素包括地下水开采、人为破坏、自身结构等多种随机性、不确定性因素，因此，沉降数据具有非线性、复杂性及多模态性等特点，致使沉降预测存在诸多困难。目前计算与预测沉降形变的理论方法可以分为两类：一类是模型法，即基于土体本构关系的数值方法，从地面沉降的整个发展过程来分析考虑，建立沉降量与时间的关系模型；另一类是基于实测数据的智能分析方法。模型法主要采用渗透固结理论、静态预测法和灰色系统法等。其中，渗透固结理论由于参数获得、理论假设等方面的问题，其预测误差往往较大；静态预测法是建立建筑物沉降与时间的拟合关系，常用的拟合函数有双曲线、指数函数等，由于拟合函数事先给定，使得该方法适用范围受到较大限制，且难以反映全过程的沉降与时间的关系；灰色预测模型适用于对非线性、不确定系统的时间序列数据进行预测，尤其对“贫信息”的小样本量作总体趋势预测。张庆伟、刘毅、王亚光等采用灰色模型对地面沉降数据进行了预测，从预测结果来看，灰色模型初期预测较好，但后期收敛较慢，因沉降的多变性和复杂性以及试验参数获取的困难性，不能达到预测精度的要求。尤其是当系统中出现了突变、故障等情况时，由于数据的突变，破坏了数据本身的平稳性，造成预测误差大幅上升。在智能分析方法中，很多学者利用BP人工神经网络、小波分析等方法对沉降预测进行了研究。BP神经网络模型具有自学习、容错性强、计算简单、并行处理速度快等优点，在理论上可以任意逼近任何非线性映射。Yong、Carles等采用人工神经网络(ArtificialNeuralNetwork，ANN)、高斯过程(Gaussianprocesses，GP)法进行沉降预测。OCAK等通过BP神经网络对隧道围岩变形了预测。由于BP神经网络是一种前馈神经网络，而沉降会有一定的滞后性，与前几年的沉降量存在一定关联性，使得BP神经网络在中短期预测方面存在很大局限性。郭健运用小波分析对沉降监测数据去噪处理后，构建了W-RBF预测模型，验证了运用RBF神经网络进行沉降预测的可行性。从现有模型对路基沉降的预测情况看，多数模型只适合中短期预测，而中长期的预测能力(预测长度和预测精度)较弱，同时在很多情况下缺少对模型可靠性的验证。
技术实现思路
本专利技术实施例提供了一种古建筑沉降的组合预测方法及系统，用以解决现有技术中存在的问题。一种古建筑沉降的组合预测方法，所述方法包括：对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列；对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；采用基于蚁群聚类算法的RBF神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。优选地，步骤对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列包括：对所述应变片采集的k组原始沉降序列Xi＝{xi1,xi2,...,xip,...,xim},i＝1,2,...,k；p＝1,2,...,m进行按照以下公式进行五点三次平滑滤波，得到所述初始沉降序列Xi′＝{xi1′,xi2′,...,xip′,...,xim′},i＝1,2,...,k；p＝1,2,...,m；其中m为每个所述原始沉降序列中数据的数量。优选地，步骤对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列包括：对于所述初始沉降序列X′i进行累加运算，获得累加序列Xi(1)＝(xi1(1),xi2(1),...,xip(1),...,xim(1)),i＝1,2,...,k；p＝1,2,...,m，其中计算所述累加序列Xi(1)的紧邻均值生成数，获得紧邻均值生成序列Zi(1)＝(zi2(1),zi3(1),...,zip(1),...,zim(1)),i＝1,2,...,k；p＝1,2,...,m，其中zip(1)＝0.5xip(1)+0.5xi(p-1)(1)；建立所述累加序列Xi(1)和紧邻均值生成序列Zi(1)之间的灰色Verhulst微分方程：xip(1)+azip(1)＝b(zip(1))2,i＝1,2,...,k；p＝1,2,...,m式中，a为发展系数，b为灰色系数，求解所述微分方程得到所述微分方程的时间响应序列：其中，所述发展系数a和灰色系数b通过最小二乘法确定，即式中，为灰色参数的估计向量，B为自变量矩阵，Y为估计预测值向量，其表达式分别为：将所述时间响应序列进行累减运算，获得所述初始沉降序列Xi′的初步预测沉降序列其中优选地，步骤对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列包括：设为中的最大元素，为中的最小元素，则：其中，为所述归一化后的初步预测沉降序列中的元素；步骤将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列包括：设为所述沉降预测序列中的最大元素，为中的最小元素，则：其中，为所述反归一化后的沉降预测序列中的元素，r为聚类半径。优选地，在计算所述初步预测沉降序列时，每预测一个初步预测沉降值后，在所述初始沉降序列X′i中添加一个新的初始沉降值，并将所述初始沉降序列X′i中的首个元素去除，保持所述初始沉降序列X′i的序列长度不变，再次进行预测。一种古建筑沉降的组合预测系统，所述系统包括：预处理模块，用于对应变片采集的k组原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；灰色模型初步预测模块，用于对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列；归一化模块，用于对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；沉降预测模块，用于采用基于蚁群聚类算法的RBF神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；反归一化模块，用于将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。优选地，所述灰色模型初步预测模块包括：累加子模块，用于对于所述初始沉降序列进行累加运算，获得累加序列；紧邻均值计算子模块，计算所述累加序列的紧邻均值生成数，获得紧邻均值生本文档来自技高网...

【技术保护点】
一种古建筑沉降的组合预测方法，其特征在于，所述方法包括：对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列；对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；采用基于蚁群聚类算法的RBF神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。

【技术特征摘要】
1.一种古建筑沉降的组合预测方法，其特征在于，所述方法包括：对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列；对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；采用基于蚁群聚类算法的RBF神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。2.如权利要求1所述的方法，其特征在于，步骤对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列包括：对所述应变片采集的k组原始沉降序列Xi＝{xi1,xi2,...,xip,...,xim},i＝1,2,...,k；p＝1,2,...,m进行按照以下公式进行五点三次平滑滤波，得到所述初始沉降序列Xi′＝{xi1′,xi2′,...,xip′,...,xim′},i＝1,2,...,k；p＝1,2,...,m；其中m为每个所述原始沉降序列中数据的数量。3.如权利要求2所述的方法，其特征在于，步骤对所述初始沉降序列采用Verhulst灰色模型进行预测，得到相应的初步预测沉降序列包括：对于所述初始沉降序列Xi′进行累加运算，获得累加序列Xi(1)＝(xi1(1),xi2(1),...,xip(1),...,xim(1)),i＝1,2,...,k；p＝1,2,...,m，其中计算所述累加序列Xi(1)的紧邻均值生成数，获得紧邻均值生成序列Zi(1)＝(zi2(1),zi3(1),...,zip(1),...,zim(1)),i＝1,2,...,k；p＝1,2,...,m，其中zip(1)＝0.5xip(1)+0.5xi(p-1)(1)；建立所述累加序列Xi(1)和紧邻均值生成序列Zi(1)之间的灰色Verhulst微分方程：xip(1)+azip(1)＝b(zip(1))2,i＝1,2,...,k；p＝1,2,...,m式中，a为发展系数，b为灰色系数，求解所述微分方程得到所述微分方程的时间响应序...

【专利技术属性】
技术研发人员：张小红，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61