AR模型的整体最小二乘解算及其应用

AR模型在变形监测及其预报中应用广泛,因为系数矩阵和预测值都存在误差,宜采用整体最小二乘法。本文通过一个实例对该方法进行验证,计算结果表明,该方法获得的预测值更加接近实测值,并且比传统的方法更具优势,有较强的理论研究价值和实用价值。     

有色噪声情况下状态预测值修正的Kalman滤波

利用线性最小方差估计方法,以正交投影理论为工具,推导了动态线性系统在状态噪声为有色噪声情形下的状态预测值及其相应的协方差阵。在形式上,此预测值比经典Kalman滤波预测值多出一项,该项包含了前一时刻的新息。对新预测值进行分析,得出了有色状态噪声条件下Kalman滤波的新算法,扩展了经典Kalman滤波的应用范围。最后通过一个模拟算例,证明了该算法的有效性。     

指数曲线模型预测基坑周边地面沉降

结合天津富裕广场三期工程基坑周围地面沉降观测的工作实践,利用指数曲线法对该工程的地面沉降过程进行了预测,得出实际观测值与预测值之间的拟合曲线,并通过比较得出该预测方法的优劣。     

FY-2G卫星红外遥感图像中的震前异常统计分析EI北大核心CSCD

红外遥感图像异常是一种重要的地震前兆,需要稳定且有效的提取算法才能发现地震前兆。然而,许多算法只是在少数地震中有验证,数据样本少,不能进行异常信号的统计分析。本文提出了一种方法,对中国及周边地区的红外遥感图像的功率谱异常信号进行统计,以评估算法的准确性和普适性。该方法还分析异常信号的幅度、空间范围和相关的地震信息,将时间和空间上连续的异常点视为一个样本,以计算不同参数条件下异常信号的阳性预测值和地震的真阳性率。本文提取了FY-2G卫星的红外遥感图像中的地震异常信号,并进行统计,得到20.37%的阳性预测值和65.96%的真阳性率。高幅度大范围的异常信号可以达到80%的阳性预测值。对于大于5.4级的地震,真阳性率可以达到81.82%。本文验证了功率谱相对变化法能在大部分地震前提取到红外遥感图像异常,该方法可以分析异常信号的特征和评估异常信号与地震的相关性,有利于算法的对比和改进。     

基于改进指数平滑神经网络模型的大坝沉降预测

为了及时跟踪非线性化大坝沉降数据并长期预测,针对传统指数平滑方法的缺陷,将改进的指数平滑方法与BP神经网络模型相结合,研究了其在大坝沉降监测中的应用.通过控制全局和局部的目标函数形成改进的指数平滑方法,获得一组平滑预测值;再利用BP神经网络对平滑预测值和平滑预测值与观测值的误差序列进行训练;最后将下一步的误差序列和平滑...     

改进的等维灰数递补模型预测边界确定方法

针对当前利用灰色预测模型进行地表沉降预测研究更多注重模型本身探讨而较少涉及预测值合理范围以及预测值时间响应函数的还原方法的情况,该文提出了一种改进的等维灰数递补模型预测边界的确定方法,采用了误差传播定律对预测值范围进行界定,并尝试利用中值近似处理代替累减生成建立预测值的时间响应函数;最后,结合工程实例给出了预测值上下边界,探讨了模型在误差允许范围内的预测步长,并对比分析了改进的等维灰数递补模型、原始的等维灰数递补模型和GM(1,1)模型。结果发现:改进的等维灰数递补模型具有较好的拟合效果与预测精度。     

基于GA-SVR的地铁隧道沉降预测

利用支持向量回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的地铁隧道沉降预测模型,可提高地铁隧道沉降预测的精度。利用长期实测的地铁结构监测数据对SVR模型进行训练,并通过GA优化SVR模型的3个参数;利用训练模型均方误差结合留一交叉验证的方法确定GA的适应度。基于南京地铁2号线隧道结构沉降实测数据,将预测值与实测值进行了对比分析。结果表明,该模型预测的地铁隧道沉降预测值准确、可靠,其精度能满足工程实际要求。     

使用Kalman滤波器调整预测值的时间尺度算法

时间尺度算法用于综合钟组内所有的原子钟,建立一个频率稳定度更高的时间尺度,其核心环节可以概括为通过N-1组观测量(钟差)计算得到N台钟的权重和预测值。传统算法主要关注如何调整权重来提高时间尺度的稳定度,本文算法通过调整预测值来提高时间尺度的稳定度。本文算法使用Kalman滤波器对观测钟差进行状态估计,在Kalman滤波器每一次递推的过程中,调整一次预测值,通过每次实时调整预测值来建立时间尺度。理论推导和仿真实验都表明,本文建立的时间尺度滤除了频率白噪声,主要只含有频率随机游走噪声,所以具有很高的中短期稳定度。该时间尺度是一个连续、实时、可预测的时间尺度。     

非等时距灰色预测模型在基坑监测中的应用

采用插值原理,将非等时距的基坑监测数据转换成等时距的数据,建立非等时距灰色预测模型,并结合实际监测数据对该模型进行检验和分析。结果表明,该模型的预测值和实际监测值相差很小,为基坑监测数据处理提供了参考。     

有色噪声情况下状态预测值修正的Kalman滤波

利用线性最小方差估计方法,以正交投影理论为工具,推导了动态线性系统在状态噪声为有色噪声情形下的状态预测值及其相应的协方差阵.在形式上,此预测值比经典Kalman滤波预测值多出一项,该项包含了前一时刻的新息.对新预测值进行分析,得出了有色状态噪声条件下Kalman滤波的新算法,扩展了经典Kalman滤波的应用范围.最后通...     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

Predictive GIS model for potential mapping of Cu, Pb, Zn mineralization

IntroductionChina is the third richest country in the world ofmineral resources with a total potential value of 11trillion USdollars. Yunnan Provincce is one of theimportant metallogenic belts for nonferrous and pre-cious metal deposits[1].Mineral source …     

基于灰色模型的建筑物沉降预测研究

由于非等间隔GM(1,1)灰色模型对于处理数据量小且表达信息不确定的数据具有优越性,因此广泛应用于石油天然气勘探、机床故障诊断、电力负荷预测、大坝安全监测等领域。基于非等间隔GM(1,1)灰色模型理论,利用某小区建筑物沉降观测的实测数据,建立了适合该小区建筑物沉降预测的灰色模型。通过对比理论预测值和实测值,并进行模型对应的精度评定分析,结果表明,此模型适用于该建筑物沉降预测分析的研究。     

利用主成分分析法及地理加权回归模型分析AOD数据

针对采用地理加权回归模型（GWR）进行预测时输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的地理加权回归方法（PCA-GWR）。首先,该方法检验了气溶胶光学厚度（AOD）影响因素之间的共线性;然后,通过非线性主成分分析法（NLPCA）对影响AOD值的若干相关变量进行处理,既消除了相关变量彼此之间的多重共线性,又可以起到降维的作用;最后,利用非线性主成分分析得到较少的几个综合指标,通过地理加权回归模型对AOD值进行分析预测。为验证该方法的有效性,采用京津冀地区的AOD、高程、风速、气温、湿度、气压、坡度、坡向数据,利用Pearson相关系数法选取与AOD浓度具有较高相关性的影响因素作为常规的GWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。研究结果表明：应用非线性主成分分析法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法所得的MAE、RMSE、AIC及其拟合优度R²均优于常规的GWR模型。     

耕地需求量预测的加权模糊-马尔可夫链模型

以耕地利用动态度为度量，利用模糊有序聚类方法将耕地需求量划分为不同的模糊状态区间，利用模糊集理论构建马尔可夫链状态转移概率矩阵，以规范化的各阶自相关系数为权重改进传统的马尔可夫链预测模型，用改进后的模型对土地利用规划中耕地需求量进行预测。实验结果表明，改进后的方法较传统的预测方法更具科学性和实用性。     

应用预测滤波估计卫星姿态

本文推导了预测滤波法的基本原理,应用了预测滤波作为卫星姿态状态预报算法,并与经典卡尔曼滤波进行了比较。实验表明采用预测滤波法对不同姿态角均能得出较好的估计结果,克服了经典卡尔曼滤波法进行估计存在的估计模型误差和推广卡尔曼滤波(EKF)的线性化误差。     

GPS水准采用移去恢复技术拟合大地水准面方法的研究

精化大地水准面是现代重力场和大地测量学工作的重要任务之一。探讨了利用已知水准点上的高程异常拟合区域大地水准面模型时,首先移去EGM96模型计算得到的部分,然后基于移动曲面和多面函数方法分别对剩余高程异常进行拟合,在内插点上再利用EGM96模型把移去的部分恢复,得到该点的高程异常。通过对某局部地区水准点的计算表明,引入EGM96模型的拟合高程异常的精度有所改进,对于大范围地区,这种方法有望能更好地提高大地水准面的拟合精度。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型，并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比，支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点，为建筑物的沉降预测提供一种新的方法。     

滑坡位移EEMD-SVR预测模型

滑坡位移预测是滑坡灾害实时监测预警的重要组成部分,良好的滑坡位移预测模型有助于预测地质灾害发生。滑坡变形受多种外界因素影响呈现出随机性和非线性的特点,在现有的滑坡位移预测方法中,机器学习方法在滑坡位移预测中得到了广泛的应用。针对滑坡位移预测是趋势项位移和周期项叠加的特点,本文研究采用基于集成经验模态分解(EEMD)的滑坡趋势项和周期项位移提取方法,结合支持向量回归(SVR)模型实现对滑坡的位移预测。首先,详细介绍了该模型的构建过程和预测性能,并以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R²)作为评估模型的预测性能指标。然后,分别利用EEMD-SVR、SVR、Elman模型对贵州省岩溶山区的一处滑坡进行位移预测,结果表明,EEMD-SVR模型连续1 d预测的RMSE值、MAPE值和R²值分别为0.648 mm、0.518%和0.996 8,可以提供更高可靠的滑坡位移预测精度,对同类滑坡的位移预测具有一定的参考价值。