随着国民经济的快速发展,高层建筑物日益增多。高层建筑,一方面可以缓解城市土地资源不足的问题;另一方面,若施工期间有严重的违规操作,导致建筑物地基基础和上部结构不平衡,建筑物将发生不安全沉降,给人民的生命、财产安全埋下隐患。因此,变形监测有着十分的重要的意义。变形监测是获取变形数据的手段,其真正的目的是如何利用已经获得的变形数据作出判断,为施工决策提供科学合理的预测。有效地进行数据处理和建立精准的预测模型是将两者联系起来的纽带。本文以实测的建筑物地基沉降数据为对象,针对变形时序数据中存在随机误差干扰的问题以及传统小波神经网络中存在网络收敛速度慢、精度低的问题,从小波包阈值去噪算法和小波神经网络的理论出发,对传统小波神经网络在网络初始权值选取和学习算法方面进行改进,主要研究工作具体如下:(1)引入小波包阈值算法对变形监测所采集的数据进行去噪处理,来解决数据中存在噪声的问题。经过预处理后的信号的信噪比有所提高,均方差减小,为后续的预测工作提供了更为精准的样本。(2)结合小波包理论和神经网络各自的优势,构建小波神经网络模型,并在初始参数选择和学习算法方面对其进行改进。改进后的小波神经网络的网络精度和绝对误差两个指标上均有所提高。(3)在选取网络初始参数时,将小波函数类型、小波时频参数、学习样本等也作为影响参数选取的因素,构成一种考虑多因素的初始值选取方法,来提高BP网络和传统的小波神经网络中存在的收敛速度和精度。(4)平衡输出层与隐含层权值调节量和输入层与隐含层权值调节量的巨大差别,以解决传统模型易陷入局部最小值、收敛速度慢及精度低等问题,使预测值以更稳定的方式逼近实测值。