模糊时间序列模型在滑坡预测预报中的应用

将模糊时间序列模型引入到滑坡预测预报中。简要介绍了模糊时间序列建模的步骤,并用实例验证了模糊时间序列模型用于滑坡预测预报的可行性。     

大坝变形预报的模糊神经网络模型

在介绍模糊推理神经网络FNNLM训练算法及网络参数的确定方法的基础上,以东江大坝12个测点的水平位移预报为例,说明了模糊神经网络模型具有训练时间短、预报精度高的优势。     

桥梁变形的AR预报模型研究

基于时间序列分析卵论,提出以统一的AR模型对平稳可逆的随机时间序列建模的新方法.结合桥梁沉降监测的具体实例应用AR模型进行预报.结果表明,应用AR模型预报桥梁变形,具有模型形式简单、计算量和存储量较小、便于上机实现、模型顶测精度高等优点.     

电离层TEC建模与预测

基于时间序列分析的DDS(dynamic data system)法,以AR模型和CAR模型对电离层格网点进行建模并预测。实例分析表明,应用时间序列分析的AR和CAR模型对电离层格网点总电子含量进行预报,具有模型辨识过程简单、计算工作量小、便于上机实现、预测精度高等优点。与AR模型相比,CAR模型的预报效果更佳。     

ARIMA模型在电离层TEC预报中的应用

电离层电子总含量的确定是影响全球定位系统定位精度一个很重要的因素,目前针对电离层建立不少的模型。文中提出运用时间序列理论中的ARIMA模型对电离层进行预报,并利用数据进行计算分析,结果表明该模型适合电离层电子总含量的预报。     

北斗观测量时间相关随机模型构建及评估

传统多历元累积观测量随机模型通常忽略各历元间观测量的时间相关性,导致其对观测量整体随机特性刻画不准确。考虑北斗系统中GEO卫星观测量的时间相关性较强,本文提出一种适用于多历元下北斗观测量的时间相关随机模型构建方法。在传统多历元随机模型的基础上,将时间相关系数直接引入随机模型,通过观测量站间差分残差计算各历元间观测量的时间相关系数,生成多历元下北斗观测量时间相关随机模型,并利用实际试验数据对其在整周模糊度解算中的表现进行评估。试验结果表明,时间相关随机模型在一定程度上解决了传统随机模型存在的整周模糊度PCF下限估值虚高的问题,提高了整周模糊度Ratio值,有助于整周模糊度顺利通过检验。此外,相比于传统随机模型,时间相关随机模型有效减少了整周模糊度漏检及误警的情况出现,提高了整周模糊度解算的可靠性。     

全球电离层TEC的轮胎调和分析与预报

将轮胎调和分析引入电离层TEC的模型化过程中,建立了基于轮胎调和分析的电离层TEC球谐系数模型,并对该模型进行详细的验证和分析。结果表明,本文模型计算精度高,系数截断为15阶时,恢复误差全年统计不超过4%,且除南、北极区外球谐模型具有很好的适用性。然后对该模型系数的时间序列特性进行了函数估计：引入逐级余差建模方法,使用趋势函数、功率谱分析、ARMA模型对球谐系数的时间序列进行分析,找出了模型系数时间序列变化的规律,构建了预报模型,实现了基于模型系数的预报,并对预报系数的精度变化问题和系数本身短期预报的数据积累时间进行分析,最终通过TEC的预报,验证了模型的精度。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

基于灰色组合模型的电离层电子含量预报

为了提高电离层VTEC预报的精度,该文采用GM(2,1)模型对电离层VTEC序列进行周期性趋势项提取,对其残差序列建立时间序列模型,形成灰色时序组合模型,进行电离层VTEC预报。实例计算结果表明,基于灰色时序组合模型的电离层VTEC预报精度较高,稳定性较好,且随着预报天数的增加,该模型的预报精度有所降低;高纬度地区的电离层VTEC预报精度最高、最为稳定,中纬度地区次之,而低纬度地区的预报精度最低、稳定性最差。     

动态神经网络在变形预报中的应用

静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化.如果每增加一个样本对神经网络重新训练,需要大量的计算时间.针对该问题,提出了动态神经网络预报模型.在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正.为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率.通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域.     

改进的灰色GM-AR组合模型在基坑监测数据处理中的应用

灰色预测模型在变形监测领域已得到广泛的应用和发展,灰色模型在理论上可以进行中长期预测,但实际应用中随着时间的推移预测精度也随之下降,为了解决这一问题,本文对GM(1,1)模型进行了改进并将改进后的GM(1,1)模型与时间序列模型组合,利用GM-AR模型进行预测可提高模型的预测精度,并应用实例证明了该方法的可行性。     

模糊实体之间的拓扑关系的分析

在GIS的模糊不确定性的条件下就模糊实体之间的拓扑关系进行讨论,在确定地理实体的拓扑关系的基础上,提出了模糊相交、模糊重合、模糊邻接、模糊包含等一系列的新概念,并针对模糊点、模糊线和模糊面之间的拓扑关系进行了具体分析。最后指出了模糊实体之间的拓扑关系存在的问题和今后的研究方向。     

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。     

混合GM(1,1)模型预报季节性时间序列精度的方法探讨

灰色系统已被成功用于工程、经济、物理控制等许多领域。然而在预报具有季节性的时间序列时，直接应用GM(1，1)灰色模型往往精度不高。因为GM(1，1)灰色模型只能反映时间序列的总体变化趋势，不能很好反映其季节性波动变化的具体特征。因此，作者提出运用“滑动平均去季节性波动”与GM(1，1)混合建模的方法预报具有季节特征的时间序列。并以水文地质系统中地下水位预报和安装在混凝土中的测缝计测得的建筑物形变量为一组时间序列，基于均方差、平均绝对误差和平均绝对百分误差三个精度准则，比较了此方法与其它灰色建模法的结果。结果表明，此方法不仅能反映时间序列的总体变化趋势，而且能客观反映其波动变化的具体特征，有效提高了预报精度，减少了建模的复杂度。     

深基坑变形监测数据时序分析法的建模与预报

基坑变形监测的各种数据一般是以时间间隔构成的随机序列,用时间序列分析的方法进行监测数据的建模与预报是有效处理监测数据的一种手段。本文以基坑监测中有代表性的监测数据-锚杆拉力监测为例,用时序分析的方法对监测数据处理、分析、建立适合的模型以及对数据进行预报等过程进行研究和探讨。     

建筑物动态变形的模型辨识与预测

本文在传统时间序列分析建模方法的基础上,提出了用ＡＲ模型的新的完整而又简单的辨识方法,参数采用计算简单的序贯最小二乘解法,并提出了决定模型阶的Ｆ检验判决中得节省参数模型并用于预测。     

基于双层模糊计算的工程测量质量评价模型

科学的对工程测量的成果质量进行评价是测绘生产过程中的关键工作,本文在总结以往测绘成果质量评价方法的同时,给出了工程测量的质量评价模型,即双层模糊评价模型,以高程控制测量为例,详述了模型的计算步骤和最终质量评价等级。     

基于时间序列模型的沉降监测预报分析

时间序列模型预测具有可靠性与高效性的特点。本文结合沉降监测工程,采用Matlab进行建模预报分析,分别基于预测模型(AR、MA、ARMA)进行应用。对比自回归模型、滑动平均模型及自回归滑动平均模型预测结果的精度,表明3种模型可预测期连续分布,模型组合可提高预测精度。     

非等间距WGM-AR模型在基坑周边建筑物沉降预测中的应用

非等间距GM（1,1）模型在不等时间间隔序列的趋势分析和预测方面具有重要作用,在此基础上,提出一种基于非等间距加权GM（1,1）模型和自回归AR（p）模型相结合的非等间距加权灰色自回归模型（非等间距WGM-AR模型）.将基坑周边建筑物沉降监测数据视为具有确定趋势的非等时间序列,对序列进行平滑处理,利用非等间距加权GM（1,1）模型提取该时序中的确定性趋势项,用自回归AR（p）模型分析生成的等间距序列中的随机项,并采用内插法得到沉降监测序列的随机项.将组合模型与非等间距GM（1,1）模型计算结果对比分析,结果表明,组合模型具有更高的预测精度,在基坑周边建筑物沉降预测中具有较高的应用价值.     

基于模糊隶属函数的参数稳健估计

参数估计过程经常遇到2个主要问题:一个是最小二乘与稳健估计不能兼顾最优无偏性和稳健性;另一个是非线性模型参数估计进行线性近似处理中带来的模型误差导致对粗差的错误鉴别和定位。针对以上2个问题,提出了基于模糊隶属函数的稳健估计方法。该方法通过隶属度加权来削弱个别粗差污染数据对参数估计结果的影响,从而达到提高参数估计稳健性的目的。分别用线性回归模型和非线性回归模型对该算法进行了验证,结果表明,该算法对粗差具有较好的抵抗能力,能够对参数进行稳健估计。