结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

基于时间序列分析的露天矿边坡沉降预测模型

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。     

基于小波去噪的高铁沉降预测模型研究

以武汉市某高铁的沉降观测数据为基础,对小波去噪前后的观测数据分别采用非线性曲线拟合模型和时间序列分析模型进行建模预测,并与实测数据进行比较分析.结果表明,观测数据经小波去噪后再进行建模分析,两种方法的预测精度都有很大改善,对高铁沉降变形预报有一定的实用价值.     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

用小波变换和中值滤波研究差分干涉图的去噪

介绍了小波变换的基本原理和图像去噪常见的滤波方法,采用几种常见滤波分别对模拟差分干涉图和EVISAT卫星获取的矿区真实合成孔径雷达（ASAR）数据的差分干涉图分别进行滤波去噪处理,并对其去噪效果进行分析。采用小波变换和中值滤波相结合的方法对矿区真实ASAR数据差分干涉图进行去噪处理,并对先中值滤波再小波变换和先小波变换再中值滤波两种方式去噪结果分别进行了分析比较,结果表明：先小波变换再中值滤波去噪后,图像保真效果较好。     

改进灰色马氏组合模型在建筑物沉降预测中的应用

结合青岛某工程大厦实测数据,提出了基于小波去噪的改进灰色-马尔柯夫组合模型,对建筑物进行沉降预测。首先,采用小波变换理论对数据进行小波去噪;然后,利用Matlab建立新陈代谢灰色模型,并对去噪数据进行沉降预测;最后,将新陈代谢灰色模型得到的相关预测值划分为不同的状态区间,再利用马尔科夫模型来确定最终的沉降预测值。结果表明,组合模型的预测精度和预测结果要优于其他两个模型,且其稳定性和可靠性都有很大提高。     

基于小波分析的Kalman滤波动态变形模型研究

对GPS动态形变测量信号的性质进行了分析 ,采用小波分析对GPS动态变形数据滤波、变形特征提取和不同变形频率分离。与Kalman滤波方法相结合 ,首次提出基于小波分析的Kalman滤波动态变形分析模型 ,研究其参数设计和算法 ,并用MATLAB与C语言在微机上编程实现。对比大坝实测数据的处理结果可知 ,通过对原始观测值进行小波分析与Kalman滤波的联合处理 ,能克服只使用单一方法进行GPS数据噪声处理的不足。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

基于小波去噪的灰色Verhulst模型在高铁路基沉降预测的应用

高铁路基需严格控制工后不均匀沉降。鉴于高铁路基沉降预测值精度受观测噪声和预测拟合函数的影响,本文提出了基于小波函数去噪,对去噪数据进行灰色Verhulst模型预测的方法,并阐述了高铁路基沉降预测评价方法。通过工程实例对比分析了去噪灰色Verhulst模型、GM(1,1)模型、双曲线模型在沉降数据处理中的拟合精度和预测精度。结果表明:GM(1,1)模型拟合精度高,预测精度低,不适用于长期预测;双曲线法预测精度最低,预测曲线不包含路基饱和发展过程;小波去噪灰色Verhulst模型符合高铁路基沉降规律,预测精度高,可以广泛用于路基沉降预测。     

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。     

自适应卡尔曼滤波高铁沉降观测数据处理模型研究

在介绍国内外高铁沉降数据处理方面的研究现状的基础上,依次阐述了包括回归分析法、人工神经网络、灰色系统理论和时间序列分析法在内的经典沉降数据处理方法,着重讲解了标准卡尔曼滤波理论及其相关公式,介绍了两种自适应卡尔曼滤波理论:方差分量估计AKF、方差补偿AKF。本文针对某具体工程实例,分别基于MATLAB平台编写了一套标准卡尔曼滤波程序和一套自适应卡尔曼滤波程序,并运用程序对其作了相关分析。通过对比分析,证明了自适应KF的优越性,并得到一套在处理实际问题时具有一定可行性的模型。     

Kalman滤波在高铁桥梁变形预测分析中的应用

针对高速铁路桥梁架梁后许多沉降变形点沉降量级较小,变形曲线呈现＂小量级,大波动＂特点,观测数据中可能存在大量的随机噪声,对沉降变形分析产生干扰,影响预测结果的可信度,本文将Kalman滤波引入到高速铁路桥梁变形分析数据预处理中,建立基于Kalman滤波的动态模糊神经网络模型。通过应用实例分析表明,基于Kalman滤波的动态模糊神经网络模型的预测精度有所改善,具有一定的优势。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

基于模糊理论构造的自适应滤波算法

本文在自适应滤波原理的基础上,结合模糊控制理论,提出了一种基于模糊控制的自适应滤波方法,它是基于滤波处理后的数据残差构造一模糊控制器来自适应控制卡尔曼滤波器的自适应因子α,从而合理调节动力学模型对导航解的贡献。并通过算例验证了该方法的可行性、有效性。     

基于高差的卡尔曼滤波断高数据处理方法研究

针对城际铁路观测资料中,对断高数据处理不能准确反映线下工程沉降量的问题,结合卡尔曼滤波模型的优点,提出一种基于高差观测值的卡尔曼滤波模型断高数据处理新方法,并详细阐述了新方法实现的思路和具体步骤。通过武咸城际铁路工程实例验证,比较和分析了新方法与传统方法的结果,得出新方法能够使得观测资料更加真实地反映线下工程实际沉降量的结论,说明了该方法的可行性和有效性。     

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。     

利用水准数据的天津市地面沉降时空特征分析

地面不均匀沉降可能对城市的发展与人民的安全造成危害，天津市的地面沉降情况尤为严重。针对该问题，本文收集天津市2005—2012年、2016—2017年水准观测数据，以固定水准点位的沉降量、沉降速率、沉降加速率为状态向量，构建卡尔曼滤波模型，对天津市历年的水准观测数据进行滤波；根据滤波后的结果，本文利用多项式加权内插的方法，以距离、沉降速率、沉降加速率信息确定权值大小，对地面沉降情况进行内插；并以中误差作为精度评定参数，比较多种内插方法的精度。通过对内插结果的试验分析发现，2005—2017年天津市地面累计平均沉降量为394.477 5 mm，最大沉降量为1 143.5 mm；主要沉降区域为北辰、大港、塘沽等地区，且随着时间的增长，这些区域呈现漏斗式下沉。试验证明本文结合卡尔曼滤波与多项式加权内插的方式能够较好地反映地面沉降的时空特征分布情况并对未来一段时间的沉降情况进行预测，对天津市的城市发展及建设有一定的参考意义。     

基于 MATLAB 与小波进行沉降数据处理与分析

结合小波分析的基本原理和MATLAB强大的数据处理能力与图形拟合能力,采用了小波时间序列预测模型与MATLAB中自带的拟合工具箱来进行沉降数据的拟合,并将该方法应用于黄冈市某大桥软土路基沉降监测的预测工作中。然后,对两种拟合方法进行了预测效果对比。从所得的结果表明：小波处理后的模型具有抗差干扰和粗差探测、剔除的优点,同时使用曲线拟合工具箱的拟合模型比常规模型更方便快捷且预测的效果也很高,两种模型结合使用会较大地增加其应用价值。