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。     

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。     

GM(1,1)最佳维数建模法在露天矿边坡变形预测中的应用

露天矿边坡变形是一个复杂的系统,许多影响边坡变形的因素具有灰色信息性质,因此应用灰色模型对边坡变形进行预测是一种很好的研究手段。在灰色模型预测实践中,发现建模数据的维数对模型预测精度有较大影响。从变形预测精度研究入手,提出最佳维数建模法。通过实例应用证明,该法具有较高的预测精度和可信度。     

自适应卡尔曼滤波在建筑物变形监测中的应用

卡尔曼滤波由于能够实时快速地处理大量的变形数据,并能够预测下一时刻的变化状态等特点,被广泛应用于多个领域的动态数据处理。本文论述了方差补偿自适应卡尔曼滤波模型,将自适应卡尔曼滤波模型应用到光纤光栅动态变形监测上,基于MATLAB编程实现模型的建立并运用该模型对建筑物变形进行分析与预测,取得了较好的效果,证实了方差补偿自适应卡尔曼滤波在滤波和预测方面的可行性。     

卡尔曼滤波-灰色组合模型及其在变形监测中的应用

建筑物变形监测数据呈现出典型的时变、非平稳和小样本特征,导致传统单一模型难以获得满意的预测精度。针对该问题,本文提出将卡尔曼滤波与灰色模型结合构建一种组合预测模型。首先利用卡尔曼滤波对原始监测数据进行平滑滤波,对数据中所含随机干扰误差进行动态抑制;之后利用灰色模型拟合数据中隐含的变形趋势信息,从而在小样本情况下获得较长时间的预测能力。基于实际建筑物变形数据开展试验,结果表明：与传统小波分析、灰色模型相比,该方法的预测精度明显提升,并且在小样本情况下具有更高的稳健性。     

基于灰色系统理论的高层建筑变形分析应用研究

简述了灰色系统理论及该理论在高层建筑沉降变形监测分析中的应用思路,详细叙述了灰色模型的建模过程[1].实例中,通过某高层建筑物4个监测点的6期观测数据,完成了模型参数的推导,建立了空间多点灰色预测模型.利用所建立的灰色模型对建筑物形变进行预测模拟,经模拟沉降值和实测数据的对比得出,该模型严密、可靠性好、精度高,该方法可用于建筑物变形的预测模拟.     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

时间序列分析在地铁变形监测中的应用

本文基于平稳时间序列数据的分析处理方法,研究了利用ARMA(p,q)模型进行地铁变形数据处理和预报的方法与步骤,应用统计软件SPSS19.0对实测变形数据进行了处理。结果表明:应用ARMA(p,q)模型分析处理变形数据十分有效、可靠;同时充分利用现有的统计软件SPSS进行建模具有操作简便、计算准确可靠、预测精度高等优点。     

反导自记忆模型的隧道沉降分析

针对传统的变形预测模型不能对隧道高度非线性监测数据的沉降趋势和波动特征进行准确的预测问题,该文提出了反导自记忆模型。该模型运用了自记忆原理,克服了传统的变形预测模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力,之后通过工程实例验证了反导自记忆模型的可行性。最后与灰色自记忆模型进行对比,得出反导自记忆模型能够对非线性和波动性监测数据做出更加准确的预测,提高了预测的精度。     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。