高层建筑物沉降监测
SettlementMonitoring of High-RiseBuilding
主观鹏，陈建忠
（山东省国土测绘院，济南250000） WANG Guan-peng, CHEN Jian-zhong
(Shandong Province Land Surveying and Mapping Institute, Jinan 250000, China)
基础工程设计
Egieeig Bruigsfie Crund
【摘要1主要采用小波神经网络法对高层建筑物的沉降进行蓝测，对小波神经网络模型的构建进行分析，同时结合威海市的高层建筑沉降值监测，确定小液种神经网络监测法的准确度以及误差，通过分析发现，小波神经网络监测法具有更高的准确度以及较低的误差，速用于高层建筑物况降的监测。
[Abstract]This paper mainly adopts the wavelet neural network to monitor the subsidence ofhigh-rise building, analyzes the construction of wavelet neural network model,combining with the subsidence monitoring ofhigh-rise building in Weihai city at the same time, determines the accuracy and error ofthe wavelet neural network monitoring method, through the analysis, we find that the wavelet neural network monitoring
method has higher accuracy and lower error, and is suitable fortall building subsidence monitoring【关键词】高层建筑物；况降；小波神经网络
[Keywords Jhigb-rise buildings; settlement; wavelet neural network
【中图分类号】TU208.3
[文献标志码]A
[DOf]10.13616/j.cnki.gcjsysj.2017.11.119 1引言
随着我国城市化发展进程的不断加快，高层建筑已经逐新应用于人们的生活中，但是由于受到施工质量以及载荷等因素的影响，导致建筑物容易出现沉降以及扭曲等现象，监测建筑物沉降，可预测建筑物的变形。目前，多种因素的影响，会导致各种方式的预测均具有一定的局限性。但在小波监测法
结合BP模型进行预测后，可有效提升预测精度。 2小波神经网络模型的构建
小波神经网络具有局域化性质以及自学习功能，通过数学建模分析方式，采用函数的分析方法，可以将局域性特点以
及神经网络相结合，使其具备较高的精确度。 2.1学习算法分析
在小波神经网络算法的分析中，其是建立在BP模型基础上的函数，其网络结构函数如式(1)所示：
g(x)=）
2mplDR,(xt)+g ) 台
(1)
【作者简介】王观鹏(1983~），男，山东聊城人，工程师，从事大地控
制及海洋测量研究。万方数据
【文章编号】1007-9467(2017)11-0041-03
式中，D,为i点的对角;R为i点的旋转短阵：为允许条件下的函数，表示小波变换的过程;g(x)为网络结构函数;，为i点的旋转角度；为第；个指标；为指标平均值；g为频域窗口。
为了导找函数的计算方法，将样本组定义为式(2）
IIx,y 1yf(x,)+e,
(2)
式中，为点的噪声向量x)为点的指标函数；x和分别表示：点的预测值和实际值。
在小波变换过程中，将单个小波函数逆变换作为函数，则可以确定误差涵数的偏导数如式(3)所示：
e
=-e;,D,2diagl R(x,t,) 1/ D,R(x,=t,)1&d
(3)
式中，为误差;diog为单个小波函数逆变换的矩阵;e,为常
Od
数；是经过小波变换后得到的函数。
在小波分析法的应用中，由于旋转矩阵具有些许复杂性，因而在测定中，主要采用旋转短阵分解以及简单组合的方式
进行计算，提升数据计算的准确性。 2.2变形预测模型
在小波神经网络的模型预测中，需要对时间序列进行综合预测分析，采用非线性的方式来选择指标间，本次研究经过分析对比，最终确定计算结果。
41