GPS动态监测数据优化分析及变形特征的提取

GPS变形监测系统中的监测点的观测资料是与时间有关的信号序列,本文研究应用小波分析优化流程,结合苏通大桥GPS变形监测系统获取的监测点数据序列进行分析。结果表明,选择合适的小波基函数,对数据信号进行小波分解与重构,可以有效地从受到强噪声干扰的监测数据序列中提取有用的特征信号,较好解决了传统处理技术对GPS动态观测数据去噪以及特征信息提取的局限性。     

高层建筑物GPS动态变形监测数据处理

本文利用小波阈值降噪方法对高层建筑物GPS动态变形监测数据进行处理,针对不同小波基选取对结果影响进行了实验分析,表明小波变换可实现高层建筑物GPS动态监测数据的有效去噪,可克服传统处理技术对非平稳、非等时间间隔观测数据序列滤波的局限性,为监测数据的处理方法提供一定参考。     

重标极差分析法在地铁变形监测中的应用

为了科学、准确、及时地对地铁隧道结构进行监测分析,该文将重标极差分析法引入到地铁的变形监测中,并以南京地铁为例,对长时期垂直位移时序进行了R/S分析,研究地铁沉降监测点的变化趋势,并将R/S分析的预测结果与实际监测数据进行了对比,预测结果与实测数据具有一致性。结果表明:描述和刻画复杂非线性时序的R/S分析方法,能有效地对地铁变形时间序列数据进行预测分析。地铁变形时间序列数据的Hurst指数,不仅在时间上反映不同变形的趋势性及其强度,而且在空间上反映地铁不同部位的变形趋势特征。R/S分析方法适合变形监测项目的预报分析,在变形监测中具有一定的应用前景。     

城市地铁变形监测数据处理

为确保地铁施工安全进行变形监测是非常重要的手段,而变形监测的最终目的是预测,即对观测物的未来形态进行预报和分析。时间序列的原理是找出事物随时间变化的规律,从而对数据变化趋势做出正确的分析和预报。本文通过对时间序列的研究对长春地铁繁荣路站的变形监测数据进行了分析和预报。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

基于灰色时间序列分析的建筑物变形预报研究

提出一种基于灰色时间序列分析的建筑物变形预报方法。对建筑物变形观测数据进行累加,削弱其随机扰动的影响。通过增强建筑物变形观测数据规律性,达到提高时间序列分析预报模型精度的目的。实测数据分析表明,该方法能够有效提高变形预报的精度与可靠性。     

奇异谱分析的变形监测序列粗差探测方法

针对时间序列数据中存在的粗差问题,该文首先介绍了奇异谱分析法(SSA)和未确知滤波法(UF)的工作原理,考虑到SSA方法在识别趋势项和周期性信号方面及UF算法在区分粗差和异常值上的优势,在SSA准确提取信号的基础上结合UF算法提出了一种新的SSA-UF粗差探测法:首先利用SSA提取观测值序列的信号并获取残余分量;然后通过UF算法对残余分量进行分析确定粗差点的位置;最后确定粗差点并剔除。通过单因素和多因素主导变形的观测值序列两个实例的验证分析,结果表明,该文中提出的SSA-UF粗差探测法与SSA数据统计方法相比在监测数据处理中的粗差探测效果明显,可靠性更高,为后续监测数据分析处理奠定了较好的基础。     

灰色神经网络模型在建筑物变形预报中的应用

介绍灰色神经网络模型的建模原理和方法,并采用该模型对实际的监测数据进行处理和分析。结果表明,灰色神经网络模型能够在小样本、贫信息和波动数据序列等情况下对变形监测数据做出比较准确的模拟和预报,从而能够为变形监测的数据处理提供一种较好的方法,能够满足实际应用的需求。     

越南水电站大坝变形分析研究

分析了大坝水平位移的视准线观测方法,简述季节性时间序列法和BP神经网络法在变形监测中的应用,并对和平水电站历史观测数据进行分析和预测。结果表明,两种方法都能较准确地描述大坝的变形趋势,为大坝的安全监控提供了参考。     

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。     

时间序列分析在变形监测数据处理中的应用

在变形监测数据处理中,为了提高预报的精度,本文引入了时间序列分析中的ARMA模型,通过工程实例对该模型的预报精度进行检测,该工程实例的变形监测数据共有30期,本文通过前25期的数据进行ARMA建模并对第26至30期的变形量进行预报,与相应的实际观测值进行对比求差。对比结果显示预报结果良好,一步预报最大残差值在1mm,时间序列分析方法在变形监测数据处理领域应用效果良好。     

顾及灵敏性利用变形速率判识高铁沉降异常数据

面向在建高速铁路沉降观测的海量数据,为了快速、批量、自动甄别不能反映真实沉降状态的异常数据,基于沉降观测历史大数据与数理统计方法,本文制定了路基、桥涵、隧道各主要工况的沉降异常数据判识参考阈值;经剔除无效观测数据后,采用灵敏性优先与计算结果辅助校验稳定性的策略,将平均变形速率的波动情况与参考阈值作对比,实现自动判识沉降异常数据。应用这些方法,设计研发了铁路沉降变形观测信息系统,并在西康、西延高速铁路项目中推广应用,经验算,在单次变形速率与平均变形速率之间,通过设置灵敏性调整系数,可以抑制该方法的误判率,提升稳定性,在项目中能快速甄别出沉降异常数据及所处里程位置。     

时间序列分析在工程安全监测中的应用研究

当前我国处于基础建设的大发展时期,对大型工程的安全监测工作提出了更多的要求.在获取工程变形监测的数据后,如何准确地建立变形模型并对未来的变形趋势做出一定的预测,是当前工程安全监测研究的重点.时间序列分析利用逐次观测值间的时序性和相关性,对监测数据建立相应的数学模型并对模型进行研究分析,解析数据内在的结构和特性,然后根据历史数据预测将来的趋势.本文介绍了时间序列分析的相关理论,并在沉降监测数据处理中进行了应用,结果表明,该方法在进行短期预测时效果比较理想.     

GM(1,1)变形建模中元素选取的对比研究

以某煤矿工作面内某点的沉降观测数据为依据,分别选取累计变形量、单次变形量以及日变形速率为建模元素获取建模序列,用c#对该点建立均值GM(1,1)模型,得到3种不同建模序列的沉降预测值.对比分析发现,单次变形量以及变形速率序列对建模数据预测优于累计变形量序列.而且若等周期观测,变形速率与单次变形量预测效果相同;非等周期观测时,单次变形量序列预测效果最好.     

SAS/ETS在变形监测数据处理中的应用

在综合考虑数学模型的预测精度与编程实现的可操作性基础上,提出了利用模块对变形监测数据进行时间序列分析,并概括介绍了该模块的3个主要命令使用方法,解决了时间序列分析在监测数据处理中实现起来非常繁琐的问题。最后通过与环境下动态灰色模型综合比较,证明了时间序列分析在变形监测数据处理中操作简单,模拟精度和预测精度都较高。     

老采空区地表沉降监测工程实践与资料分析

针对老采空区地表沉降的不确定性,通过监测方案的设计与实施,采集数据预处理对某一矿区进行分析,利用surfer软件得到了六个监测点的三维线框图并进行渲染。对监测工程资料进行平差处理,得到了各个观测量的精度指标。针对变形监测数据的变化特点,使用AR(p)模型进行编程,主要依据时间序列分析的建模步骤,将建模步骤中的数学公式转换为MATLAB编程语言然后使用编写的程序对变形观测数据进行分析,用前面多期监测数据建立数学模型,并对后面几期进行沉降预测,同时与实测值进行比较分析,用以检验时间序列预测的准确性。     

变形监测预报与警报系统的研究与实现

变形监测数据的建模与预报是变形数据处理的一项重要内容。当前的变形监测数据分析与预报多基于某一种监测项目或某一种方法,其科学性、系统性不良,缺乏警报机制。提出一种覆盖面广、科学性较强的变形监测预报与警报系统,并结合观测数据,对某大厦1号变形点的累计变形量进行预测和警报,效果明显。     

拱桥轴线的变形观测方法及变形分析

本文针对某三孔拱桥缺乏设计施工数据而进行变形观测的情况，提出了用拟合轴线方程的方法进行观测和变形分析的途径，对大桥变形观测和分析提供了一种简便有效的措施。     

基于测量机器人的自动变形监测系统

主要针对测量机器人在自动变形监测方面的技术优势,分析基于测量机器人自动监测系统的主要构成方式,研究极坐标测量系统在变形点观测数据处理方面采取的主要方法,并对系统主要采取的通讯方式、远程控制与自动报警技术进行探讨。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。