论文模板

分类号： P224

2014届本科生毕业论文

题 目：大型建筑物沉降变形的动态预测方法研究

作 者 姓 名： 王 华 学 号： 2010104314 学 院： 地球科学与工程学院 专 业： 测绘工程 指导教师姓名： 白洪伟 指导教师职称： 助教（硕士）

2014年5月18日

CLC： P224

2014Bachelor's Degree Thesis

Title: Study dynamic prediction method of settlement of large buildings

Author full name: Wang Hua Learn a number: 2010104314 Department: School of Earth Science and engineering Special Field: Surveying and Mapping Engineering Instructor full name: Bai Hongwei Instructor office holder: Assistant(Master)

May 18th ,2014

摘 要

当今社会科技不断发展和现代化的不断进步,各地开始建造了更多更高的建筑物。只有对建筑物进行定期的沉降观测,才可以及时采取相关措施进行预防或发生危险之后进行善后处理，保证生命财产安全。因此，在房屋施工之前，关于房屋的下降人们会用模型预计一下来分析。本篇文章对大型建筑物沉降的危害、研究沉降的方法以及产生沉降的原因作了一些简单的描述，然后分别分析回归分析模型和小波神经网络分析的基本概念，然后分别对模型的建立过程进行介绍，接着对两种模型的预测结果进行检验，然后将回归分析模型和小波神经网络分析模型运用到实际工程中，并将所预测的结果进行比较总结。

关键词：沉降； 回归分析模型； 小波神经网络分析模型； 变形预测

ABSTRACT

Progress of science and technology in today's society development and modernization,all placesbegan to build the more higher buildings.Only observe building settlement regularly,it can timely take measures to prevent or deal with the aftermath of danger,to ensure the safety of life and property.so,before the construction of buildings,people will use analysis forecasting model about falling of house..

This article research on the dangers of large buildings settlement, settlement methods and causes of settlement made some simple description,then analysis regression analysis model and the basic concepts of wavelet neural network simply,then respectively introduces the process of the establishment of the model,then inspect the prediction results of two models,and then the regression analysis model and the analysis of wavelet neural network model used in the actual engineering,and the predicted results are compared and summarized.

Key words: Settlement; Regression analysis model; Wavelet neural network analysis model; Deformation prediction

目录

1 绪论 ................................................................ 1

1.1 选题背景及研究目的 .......................................................................................... 1 1.2 国内外研究现状 .................................................................................................. 1 1.3 本文主要研究的内容 .......................................................................................... 2 2 预测模型及变形原因简介 ............................................................................................. 3

2.1 预测模型的基本概念 .......................................................................................... 3 2.2 建筑物沉降变形原因 .......................................................................................... 3 3 回归分析模型 ................................................................................................................. 4

3.1 回归分析模型的基本概念 .................................................................................. 4 3.2 回归模型的建立 .................................................................................................. 5

3.2.1 一元线性回归模型 ................................................................................... 5 3.2.2 多元线性回归模型 ................................................................................... 6 3.3 回归模型的检验 .................................................................................................. 7 3.3.1 一元线性回归模型 .................................................................................. 7

3.3.2 多元线性回归模型 ................................................................................... 7

4 小波神经网络分析模型 ............................................................................................... 10

4.1 基本概述 ............................................................................................................ 10 4.2 小波神经网络分析应用 .................................................................................... 11 4.3 小波神经网络模型的建立 ................................................................................ 12

4.3.1 连续参数的小波神经网络 ..................................................................... 12 4.3.2 基于小波框架的小波神经网络 ............................................................. 12

5 模型在实际中的应用 ................................................................................................... 14 结论 ..................................................................................................................................... 16 参考文献 ............................................................................................................................. 17 致 谢 ................................................................................................................................. 18

宿州学院2014届毕业论文

1 绪论

1.1 选题背景及研究目的

现如今科学技术迅速的发展和现代化的不断前进,各地建造了更多更高的房屋。因为人口的不断激增，所以建筑物建的越发的高、承载愈来愈重,由于地基基础和上部结构的共同作用下,建筑物将会发生不同种的沉降,若建筑物产生轻微的沉降会发生倾斜或有裂缝,影响其正常的使用；若建筑物发生大幅度的沉降，则会危及人们的性命和财产的安全。为了确保建筑施工和运营的安全以及周围的事物和人们的生命及财产的安全,预计建筑变形多少已经是建筑工程防止或减少灾难的非常关键的组成部分。但实际工程中由于局限的理论计算方法及艰难的实际施工条件,主要是预测沉降，隔固定的时间观测建筑物的沉降,根据得到的数据发现它变形的趋势,通过分析可以大致了解其沉降的走向,寻找合适的方法预防来保证建筑物使用的安全。 1.2 国内外研究现状

当今社会，快速的城市化发展使得建筑物的沉降问题引起了国内外的一致关注。由于现在国内外的建筑物越建越高，越建越多，而且现在的人们为了使建筑物有特色会将其的外形设计各具特色、奇形怪状，如的101大楼、吉隆坡的双塔大楼等。所以，建筑物沉降的准确的动态预测越来越重要。建筑物随着楼层的增加其自身的重量也随之增加，这也决定了沉降量的多少，而沉降量的多少直接决定了建筑物的使用安全。近几年因为沉降监测而导致的事故频频发生，而且不管发生的事故是小还是大，其对人们的财产生命安全都会有一定程度上的损害。所以，沉降预测的重要性越来越引起了人们的关注，也在理论实践中探索和发现了很多有效的方法。虽然很多方法目前还不是很完善需要进一步的研究，但沉降预测的应用减少了很多事故的发生，也可以让建筑物更安全放心的投入使用。

现在，国内外出现的方法主要有几何分析和物理解释两大类。几何分析法主要包括:回归分析模型、频谱分析模型、人工神经网络模型和小波分析模型等；物理解释法主要包括:统计分析模型、确定函数模型和混和模型等[1]。今后，人们还会根据所出现的问题，探讨新的方法以及对之前的方法进行补充，使之用起来更方便简洁以及更准确。

1

宿州学院2014届毕业论文

1.3 本文主要研究的内容

沉降的预测、评估和工程质量检查等功能都在建筑物的施工以及完工后的验收和检查过程当中实现。现场监测数据所带来的信息可以向施工人员提供施工过程中所出现的问题，让施工人员及早的知道工程中所存在的问题，可以适时的想出可以解决问题的方法，避免危险的发生。

有许多的方法能预计沉降，主要有理论的方式和用实践得到的数据的实践分析的方式。为了精准的预测建筑物沉降的规律以及建筑物的变形预测，为了建筑物在建成之后可以安心使用和周围相关事物的安全，还有最要的在建筑物里人的生命及财产安全，本文通过对两种沉降变形预测模型的简介和模型的建立，并描述模型在实际中的应用。

2

宿州学院2014届毕业论文

2 预测模型及变形原因简介

2.1 预测模型的基本概念

为了达到对将来事物的了解所进行的揣测和推断称为预测。建模是对所研究的对象进行模仿。模型是用创建模型的形式形象地展示具体目标的一种形式。具体目标是指所有客观存在的事物以及它的运动状态。现实并不是未来，是有一定的区别的，但是通过对于现实的研究可以预见未来，这就是预测。

在事先观测数据的基础上，依照一定的方法和规律对建筑物沉降进行推算，来了解沉降的变形大小称为预测，该过程所建立的模型被称为预测模型。因为所选择的模型是根据所观测的数据来进行分析预测，所以模型的选择和模型参数的选择很重要。

预测模型很多，时常使用的有下列几种：多元回归、非线性回归、趋势分析、GM模型、灰色预测的残差序列、拓扑预测、线性预测等。 2.2 建筑物沉降变形原因

建筑物的沉降是因为其本身承受的重力和外面承受的重力经过基础输送到地基，让自然土层本身的内部产生的力状态产生转变，即为在基底压力作用下，地基发生了额外应力和垂直侧向变形，使得建筑物周围环境也跟着发生变化[2]。建筑物自身有关的缘故和自然条件导致的变化是影响建筑物的沉降变形的因素。主要引起变形的因素有：

（1）内部因素

允许变形：建筑物因为本身修建的样式导致重量分布不均而产生变形，这类变形通常在合理范围内，会跟着时间的变化变得越来越平稳。

施工误差变形：建筑物由于误差所形成重量分布不均以及不符合预测而发生形状的变化，局部受这种变形的影响较小，但考虑到整个建筑物的累积变形之间互相影响时，它是一个重要元素对于建筑物变形变得危险来说。 （2）外部因素

基本形变：建筑物因为自己的重量来源于地基上被压实泥土的重量，造成沉降。 还有其他因素如不匀称的基础地质结构、每个季节的温度的转变和地下水的变化和风力引起的因素等。上述因素不包括地震等偶然性因素。

沉降是没有办法回避的，关于高耸建筑掌握沉降是非常必要的。一定范围内让沉降平均使建筑总体往下降是不会有多大的影响。假如沉降量起伏较大，超过一定范围会致使上部结构，发生另外的应力和变形，继而建筑物会产生裂缝和倾斜。

3

宿州学院2014届毕业论文

3 回归分析模型

3.1 回归分析模型的基本概念

回归分析是指阐述两种或超过两种变量之间定量关系的确定的一种数学统计方法。回归分析方法根据数学统计的道理,创建不相同未知数之间有关系的数学表达式。在实际建设的变形剖析中,能用回归分析方式创建回归方程。回归方程用数学的方式表达未知数与函数之间的关系。建筑的变形能依据已经创建的回归方程来实行剖析,将来某时刻的位移量也能够用回归方程实现预报。建筑物变形的预测是工程安全运行必要条件。

回归分析可以分为一元回归分析和多元回归分析，也可以分为线性回归分析和非线性回归分析。一元线性回归分析是指仅有一个自变量因变量，二者的联系能类似地画成一条直线；多元线性回归分析指的是有两个或超过两个的自变量，因变量和自变量的联系是线性的关系。实际上，许多个因素联系在一起才可以表示一种现象，所以选取多个因素作为自变量来对未来进行预测，所得到的结果会比用一个自变量预测的结果更可靠。因此，在实际应用中多元线性回归实用性比一元回归大。

跟据未知数和函数的以往的总结的数据来计算，以这为基础创建回归分析方程，也就是回归分析预测模型[3]。

回归预测模型的查验及预计误差的计算决定了它可不可以用在实践中。回归方程要想被用于对未来的揣测，它需要通过各种验证及较小的预预计误差很小。未知数之间是否存在相关关系是应用回归预测法首要考虑的事情。变量之间没有相关联而使用回归预测法，那么会所得到不正确的结果。

因此，如何准确利用回归分析预测需要留意下列几点： ①判断所有对象间的关联； ②避免一切预测中的误差错误； ③使用的资料数据要合适。

模型含有多个元素师用回归分析法更为容易和便捷；每个人对回归分析模型的使用过程中数据相同但数据之间的联系的解释是有差别的，而且不同的分析者所做的拟合曲线也有可能不一样的；回归分析能够精准地计算每个元素之间的关系和回归拟合程度的高低，使预测方程式的效果更佳。现实情况的经济问题可以用多元回归分析法来解决，用的时候是有多因素一起影响的时候。

但因为一些些因素的不可测性及多样性，让回归分析在一些特殊情况下的使用受

4

宿州学院2014届毕业论文

到影响或不能使用。 3.2 回归模型的建立 3.2.1 一元线性回归模型

一元线性回归模型是指一个未知数（X）和一个函数（Y)之间线性关系的数学方程。此外，时间也能够当作是自变量，回归分析也能够用在变形的数值与时间之间。直线回归是指存在线性函数关系的两个未知数的关系[4]。解决两个存在非线性关系的变量的方式有两种：一是通过匹配散点图与普通的函数曲线，然后将曲线问题化为直线问题；另一种是通过用多项式拟合然后变换未知数把一元线性回归问题转变成多元线性关系。一般形式为:

ˆabX Y（3-1）

式中，a、b代表一元线性方程的参数。

取得n对拥有关联的X及Y的信息后，创立直线回归模型的主要步骤是准确地得回归模型的不知道的参数a和b。因为X有很多个对应的实践中的值，所以X与Y的各对应的值也有可能不只一条直线。在这里面最具代表性的直线的实际值与这条直线

2ˆ各点的距离的平均离差最小，也就是YiY最小（Yi是相对应的估计值）。因此，

我们能够使用最小平方法来求出等待结果的参数a和b。然后对a和b求偏导可以用微分学求极值的原理，令偏导结果等于零，接着得到下面两个标准方程式：

YnabX （3-2） XYaXbX2 （3-3）

然后对标准方程求解，就可求出两个未知参数a和b：

aYbX  XYYXXYXY （3-4）b2X2XXX2X

然后将a和b两个参数代入式中，求一元线性方程得解。

5

宿州学院2014届毕业论文

3.2.2 多元线性回归模型

一元和多元线性回归计算完全是按最小二乘原理解算线性方程组，其函数矩阵可表示为：

ˆ （3-5） YX或YVX

式中，Y为因变量也就是变形观测值向量YTy1,y2,,yn，n为观测值个数； 为观测值误差向量，其协方差阵0Q0I,I为单位矩阵；

22 X是一个nm1阶矩阵，其形式为

1x111x21 X1xn1

x12x1mx22x2m （3-6） xn2xnm代表有m个变形影响因子，不同的变形影响因子代表了一种未知数的观测值或所对应函数，它们组成X矩阵的要素，对应着相应的函数，一共有n组；

是回归系数向量，T0,1,,m。

即共有m1个回归系数（当m1时，为一元线性回归模型）。在nm1时，按最小二乘原理能求得法方程组、解向量与精度：

XXˆXYˆXXXYTTT1Tˆˆ0Qˆˆ022ˆˆYVXY

 （3-7） 1TXX函数估计的数值的精度就是单位权方差0的验证后估计的值为：

S022VTV （3-8） nm1 6

宿州学院2014届毕业论文

3.3 回归模型的检验 3.3.1 一元线性回归模型

在一元线性回归中，自变量与因变量之间的线性相关程度可以用相关系数来描述，其估值为：

ˆ 

xxyyxxyyii2ii2SxySxSy （3-9） ˆ的标记是ˆ的标记和回归系数它的取值范围是在（-1,1）之间，相关系数估值1相同的，而用自由度及置信水平的函数来表示它的大小。若相关系数的估计的结果比相关系数的分位值要大，则表示自变量和因变量两者是密切的线性关系，回归直线是有效的。这就是一元线性回归直线型的相关系数检验法。 3.3.2 多元线性回归模型

多元线性回归模型及解与测量中的间接观测平差模型及解的差别在于：多元线性回归模型的变形影响因子个数事先是不确定的，如果要使回归模型最优，则需要采取一定的算法通过回归计算确定。在线性回归分析中，引入一下概念：残差平方和Q、回归平方和U以及总离差平方和S，由

ˆYYˆYYˆ （3-10） YY 定义 SYYYYyiyTi1nn2ˆ QYYˆYUYˆYYˆyyT2iiVTV （3-11） i1nˆyYˆYyTii121n式中,yyi （3-12） ni1y为因变量的平均值； yi为因变量的回归值。 7

宿州学院2014届毕业论文

可以证明:总离差平方和S是残差平方和Q与回归平方和U的总和。它们的几何意义，如图3-1所示。变形观测值和变形观测值的平均值的差的平方和称为总离差平方和，变形观测值和变形观测值的回归值的差的平方和称为残差平方和，变形观测值的回归值和变形观测值的平均值的差的平方和被称为回归平方和[5]。

图3-1 总离差平方和、残差平方和与回归平方和

回归平方和U为经过回归之后使总离差平方和S减少的那一部分，U越大，表示回归效果越好。显然，在S一定的情况下，Q越小，则U越大。Q越小，S0越小，另外，变形影响因子的个数m越少，S0也越小。于是，在预报或控制时选用回归模型，应该尽可能地少选变形因素，尽可能地使拟合度高，即尽可能地使Q、m都小[6]。 对于多元线性回归，定义复相关系数为：

R

它表示因变量和自变量的线性关系程度。在多元线性回归中，任意两个变量之间的相关系数不能用一元线性回归的方法计算，因为其他因子也在变化并产生影响。除去其他因素的影响后所计算的相关系数称为偏相关系数。偏相关系数的计算方法如下：设有三个变量x1、x2、x3，在除去x3影响后，用x1、x2对x3的偏相关系数来表示x1、x2之间的相关系数r12,3，有

UQ1 （3-13） SS22 8

宿州学院2014届毕业论文

r12,3

12132311312322 （3-14） 式中，12、13、23为按（3-14）式计算的相关系数。在多元线性回归中，两个变量之间的相关程度是由偏相关系数体现的。 利用多元线性回归方程

ˆˆxˆˆˆkxkT y（3-15） 00k11xkmm

能实行提前告知时，提前告知时真实值与推测值的差通常不允许超过2S0(概率为0.95)。

9

宿州学院2014届毕业论文

4 小波神经网络分析模型

4.1 基本概述

小波，表层意义来说，指的是波的形状小。“小”的含义意味着它的衰减特征；而后面的“波”则是指它所具有的波动性，其实就是正负之间的波动形式。小波通过伸缩平移计算逐步细化函数，让高频率出得到时间的细分，则低频率的地方得到频率的细分，自动的对各种频率信号的分析要求进行适应，得到更细节的分析信号。这让傅立叶变换在理论方法上得到了进一步的突破。 “数学显微镜”就是人们给小波变换的称号[7]。

神经网络是由很多的处理单元一起组成的，是一个较为繁杂的非线性的研究系统，可以体现人脑的功能特点。自组织、自适应和自学能力等都是神经网络所具有的优点，处理多因素模糊的信息问题特别适用。神经元是神经网络的根本，它虽然小，但它在整个结构上是不可缺少的。通过生物神经系统的研究以及人工智能把神经元数学化的探讨来产生神经元数学模型。神经网络吸引人们的地方很多，包括并行分布处理、分布记忆力和学习能力，能够尽可能迫近繁复的非线性关系。人工神经网络的模型如今已出现了很多种，常见的有反向传播神经网络、代数重建网络和聚类网络。

小波变换与神经网络各自所拥有的优点是不同的，前一个是时频局部特性及军焦特性，而后一个是自学习和推论能力。人们所关注的问题是怎样将两个的长处结合在一起。一种方法是先用小波分析特征提取信号，接着用神经网络处理所提取的特征向量；另一种是小波神经网络。

开始提出小波神经网络的是法国著名的信息科技钻研部门IRLSA的ZhangQinghu等人，在1992年。然后R.C.Pati和P.S.Krishnaprasad在1993年加入了离散的小波变化，对小波神经网络有了进一步的发展。接着张帮礼在1995年通过探索了肯定小波基函数与隐含层神经元数目的日常方式；张俊发现小波神经网络的径向基函数可以替换交尺度函数。小波神经网络是在小波变换的基础上组成的神经网络模型，把小波变换和神经网络巧妙地合在一起，完美的传承了两个的长处。近些年，国内外出现了不少小波网络相关的探讨陈述，对二者的探索一直是不间断的。

小波神经网络最大的长处是充分有效地综合了小波与人工神经网络各自的长处，是研究探索神经网络理论的重要方向之一。小波神经网络和人工神经网络相比，能够总结出下列几处优势：小波神经元的低相关性在一定程度上加快了小波神经网络的收敛速度；伸缩因子及平移因子的引用可以让它拥有更敏捷有效的函数逼近本领；小波

10

[8]

宿州学院2014届毕业论文

神经网络的优秀局部性及多分辨率学习能力，完成了与信号完美的结合，也可以使其拥有更高的预测准确度当信号样本空间不均匀的时候等。因此，在最近十几年期间被应用的范围很广，如非线性函数的逼近、信号表示和分类及动态建模等方面，未来也会有进一步的发展。

小波神经网络的钻研所利用的夯实理论即便是由小波分析思路和神经网络思路供给的，但实际上其道理研究还停留在初始阶段，还有很多不完善的地方。如果网络所锻炼的样品跟着打进去的维数的增加而增长，也会使网络的结构变得复杂，从而在很大程度上降低了收敛速度；网络也会因为参数初始值选择的不合适而变得不收敛；小波基函数的选择不是自动选择合适的等。 4.2 小波神经网络分析应用

小波神经网络已经被证明了无论是在理论还是实践上在函数学习逼近上是有效的，它也克服了其他的一些缺点，如BP收敛速度慢，在一定的样本数的情况下，它拥有强分辨率及迅速的训练速度比起一般的[9]。

于是，当代预测预报中更加科学的理论依据和分析工具是小波神经网络理论与方法提供的，它在变形监测预测方面的使用前景是非常广泛的。最近几年来，小波神经网络已经开始被尝试用来进行大坝变形监测等的最终沉降量，但还有待研究。小波神经网络的应用有下列几个方面： （1）大坝的变形监测

把小波网络运用于大坝变形监测的预测，可以解决误差反方向传送网络模型收敛速度慢以及较易进入部分不够的情况。这个课题是具有一定研究价值的。 （2）边坡的位移预测

在小波神经网络上的边坡位移预计方法是在探索边坡位移混沌时间序列的预测以及混沌体系的空间重新构造道理根本上发现的。通过计算表明，和另外的方法比较可防止误差曲面部分较小、网络节点少等不足以及轻松确定参数、高学习效率、收敛速度迅速、高精度等优势。这是另一种可行的边坡位移预测探索方法。 （3）相比神经网络预测沉降量

高速公路的软土地基的最终沉降量会受软土的工程特点、路基横纵切面形态以及地基处理方法等，所以计算最终沉降量需要建立一个非线性模型。通过实际的例子剖析阐释这种方法收敛的速度快，预测的精度高。

11

宿州学院2014届毕业论文

4.3 小波神经网络模型的建立

小波神经网络模型的根本构造如图4-1所示，其中xii1,2,,L是输进去的样本，xjj1,2,,M是小波基函数，fkk1,2,,N是网络的输出。同时，用uij代表输入层第i个神经元和隐含层第j个神经元间的承接权值，jk代表隐层第j个神经元与输出层第k个神经元间的承接权值，而这个模型不妨按照不同选择的小波基函数的连续性能够分成两类，即在连续参数基础上的小波神经网络和在小波框架基础上的小波神经网络[10]。

图4-1 隐层函数为小波神经网络模型

4.3.1 连续参数的小波神经网络

即gjgxbj/aj，其中g为小波函数，aj是尺度参数，bj是平移参数，则神经网络的输出fk可表示为：

LubjMMiji1 k1,2,,N （4-1） fkjkgjjkg aj1j1j

4.3.2 基于小波框架的小波神经网络

即gjga0mjxnjb0,其中g为小波函数,a0是伸缩的基单位，b0是平移的基单位,这个时候神经网络的输出fk可表示为:

L fkjkgjjkguija0mjxnjb0 k1,2,,N （4-2）

j1j1i1

12

MM宿州学院2014届毕业论文

隐层函数组成的神经网络模型能够被小波函数直接取代,但它进行锻炼和研习能选择和以往一样的方式。

然而在以往的神经网络中,留存的缺点是不能肯定隐层单元的个数。下列步骤是肯定小波神经网络的隐层单元个数的。

一开始令隐层单元数目M等于1，即g1表示隐层神经元，研究迭代很多次后，在误差条件得到满足之后停止迭代；若一直都不符合误差条件，这时添加小波变换单元数目，就是M=2，g1和g2都表示隐层神经元；不停地反复上面的步骤，一直到误差条件得到满足停。小波变换单元的个数能够按照实际的疑问本身适当的选取，来弥补以往神经网络的不足。

13

宿州学院2014届毕业论文

5 模型在实际中的应用

建筑物在加固之后再通过对其的观测沉降的变化情况称为沉降测量。沉降测量可以直观的让我们知道建筑物加固的效果，方便我们及时发现异常情况，这样我们可以及时采取措施来预防来保证建筑物的安全。通过布设控制网来进行沉降观测，根据相关精度要求，在一定周期内对沉降点进行沉降观测。

现在有很多模型能够揣测建筑物的沉降，每个模型各有各的用途。下列表格是宿州市市的沉降点观测数据、预测值及误差，点a1、a2是建筑物上的两个点。表1是a1点的回归模型预测，表2是a2点的小波模型预测。

表1 a1点沉降实测值与回归预测值对照表

序号 1 2 3 4 5 6 7 8 9

观测时间/d

7 6 7 6 7 6 7 7 7

时间间隔/d

7 13 20 26 33 39 46 53 60

实测值/mm

1.0 1.3 0.6 0.5 0.4 0.5 0.6

预测值/mm

1.1 0.9 0.7 0.6 0.5 0.4 0.3 0.2 0.2

误差/mm 0.1 -0.4 0.1 0.1 0.1 -0.1 -0.3

表2 a2点累积沉降实测值与小波预测值对照表

序号 1 2 3 4 5 6 7 8 9

观测时间/d

7 6 7 6 7 6 7 7 7

时间间隔/d

7 13 20 26 33 39 46 53 60

实测值/mm

0.77 1.52 2.05 2.48 3.02 3.82 5.21 6.11 6.97

消噪后数据/mm

0.74 1.51 2.02 2.51 3.04 3.90 5.09 5.90 7.01

误差/mm -0.03 -0.01 -0.03 0.03 0.02 0.08 -0.12 -0.21 0.04

14

宿州学院2014届毕业论文

根据表格计算可知，预测结果的准确度是能用的。回归分析模型建模过程中用的样本少，适用于小样本的问题，对新样本能显示出较好的。推行的本领，对于非线性及维数高的情况可以更好地解决。而且，全局最优是在理论上而言，可以处理神经网络方法没有办法防止的局部最优的情况。小波神经网络分析模型加入了伸缩因子和平移因子两个作为参考的未知数，让它拥有更有用的函数迫近本领。数据通过阈值消噪后的曲线图形变得愈加光滑，这时沉降数据因为没有了一些噪声的阻碍，所以数据看起来更加有规律性，看出变形趋势变得更加简单。

两种模型都能用在建筑物的沉降预测，各有各的优点、缺点。我们实地实践时可以依据建筑物的现实情况及周围环境，综合考虑选取适用的模型来预计建筑物的沉降。

15

宿州学院2014届毕业论文

结论

由于科技的高速发展以及人口的快速激增，建筑物越建越高，形式越建越新颖，越建越独特，所以，建筑物的沉降预测成了至关重要且不可缺少的一步。通过这次对大型建筑物沉降预测方法的研究，了解了大量的相关的预测模型，例如有回归分析模型、频谱分析模型和小波神经网络分析模型等。并通过详细描述了回归分析模型和小波神经网络分析模型，了解它们的建立和检验过程。

回归分析是一种数学统计方式，是用来解决未知数与函数之间相互关系。它可以分为线性和非线性，线性回归分析又包括一元和多元。回归分析主要是自变量的个数的选择以及和因变量之间的关系，并在辨析多个因素的模型时，更加容易和便捷。同时，回归分析也处理了神经网络方法无法防止的局部最优难题。但使用时也会受多因素综合影响。

小波神经网络因为充分地融会了小波和人工神经网络的长处而处在了上风，为神经网络理论探索路上关键突破口之一。小波神经网络的应用范围很广，而且已经证实了不管是在理论上还是在实践上全是特别有用的，它在样本数一定的情况下，比一般的神经网络的识别分辨率强，比训练速度快。近年来，虽然有人试着将其运用在预测沉降上，但缺少进一步的钻研。

随着时代的发展、科技的进步，沉降的预测也会随之变得更加重要，沉降预测的方法模型的研究也会越来越成熟，应用范围也会随之扩大。

16

宿州学院2014届毕业论文

参考文献

[1] 徐延春,问荣峰,崔义.建筑物沉降预测方法的研究[N].科技创新导报.2014.2.22(27). [2] 张立亭.建筑物沉降变形的动态预测[J].地矿测绘.1999,(1):3-9.

[3] 欧阳红星,欧为林.沉降监测中几种预测模型的建立[J].国土资源导刊.2013,(10):96-98.

[4] 郑箫,金青.回归模型与时间序列在大坝变形监测中的应用[J].湖北师范学院学报（自然科学版）.2010,30 （1）:83-88.

[5] 张俊中,宋蕾,雄.多元回归分析模型在变形检测中的应用[J].河南工程学院学报（自然科 版）.2009.9,21（3）:22-25.

[6] 卢荣.回归分析在沉降预测数据处理中的应用[J].城市勘测.2011.6,（3）：106-108.

[7] 冯丽丽,李天文,韩羽.高层建筑物沉降预测方法的比较[J].天津城市建设学院学报.2007.03,13(1):35-39. [8] 郑志勇,张光华.高大型建筑物沉降监测的方法及精度分析[J].地矿测绘，2005,21（3）：20-21. [9] Zou Zili.Discussion about the method of monitoring and forecasting of geological disasters,ISM 12th. [10] Hagan T,Demuth H,Beale M.Network Design.Boston,MA:PWS Publishing,1996.

17

宿州学院2014届毕业论文

致 谢

四年的大学生活就要在这个季节里结束了，但是对于我来说，这不是终点而是另一个人生阶段的起点。四年的大学生活充满了各种各样的收获和经历，结交了很多良师益友。在这次论文准备期间，我的指导老师白洪伟老师以及我的同学们帮助了我很多。在论文写作过程当中，老师和同学为我提供了解决所遇到的困难和难题。而且经过此次的论文题目的探讨，让我收获了很多相关专业的知识。另外，我还在图书馆电子阅览室查找了论文相关资料，也谢谢为我提供帮助的老师。还有要感谢我室友，她们在写论文时也给了许多帮助，少了很多事。在写论文的过程中，我们彼此帮助，一起成长一起进取！最后我还要谢谢辛辛苦苦培养我长大的父母，谢谢你们！

感谢这篇论文所用的资料的各位作者，本篇论文参考了很多前辈的研究资料，如果没有各位前辈的研究和总结，我将不会很顺利的完成这篇论文。因为我的专业学术水平有限，本篇论文肯定还有许多不完善的地方，希望能够得到各位老师和同学批评指正。

总之一句话，谢谢全部帮助及支持我的人！

18

宿州学院2014届毕业论文

19