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。     

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。     

用灰色模型预测边坡变形的新方法探讨

应用灰色GM（1，1）模型对边坡变形进行预测有时存在不能真实反映边坡动态变形的问题，在简述边坡变形一般规律的基础上，构造其解为二次多项式与指数项之和的微分方程，该方程的解可较好的用于边坡变形的预测，并用实例进行验证。     

马尔可夫残差修正模型的高铁路基变形预测

针对灰色系统模型在变形预测中存在预测结果不理想的问题,给出马尔可夫残差修正模型,首先应用灰色预测模型对未来的沉降变形进行预测,然后用马尔可夫过程对预测结果修正,提高预测精度。应用表明:马尔可夫残差修正模型的预测值与观测数据的拟合结果优于传统灰色系统预测模型以及残差修正模型,其预测精度明显提高,沉降预测值更为可靠,可为工程监测提供科学决策依据。     

基于北斗卫星的边坡变形监测系统应用研究

为及时准确获取对边坡变形信息,本次研究采用基于北斗卫星定位的边坡自动化监测系统,对某边坡工程进行全天候自动化监测作业,并采用有限元软件Abaqus建立边坡模型,采用数值分析方法对边坡变形的敏感度区域进行分级划分,优化监测点布设位置,最好利用灰色系统分析方法对监测数据进行分析研究,分别建立边坡水平方向和竖向变形灰色GM(1,1)预测模型,并采用精度更高的水平方向预测模型对边坡变形趋势进行预测,效果较为理想,更加贴合边坡变形真值,为边坡工程的安全监测提供了可靠有效的解决方案。     

灰色幂模型在基坑变形监测中的应用

灰色幂模型又称非线性灰色伯努利模型(NGBM(1,1)),是灰色GM(1,1)模型的一种改进模型,具有非线性特征,在拟合和预测非线性特征数据方面具有优势。NGBM(1,1)模型相比于GM(1,1)模型具有更高的预测精度和更广的适用范围,它在经济、农业、气象等方面已有较广应用,但是在变形监测领域的应用还比较少。本文在已有的灰色系统理论的基础之上,将NGBM(1,1)模型应用在测绘领域的变形监测中。先对原始的变形监测数据进行累加、累减、求背景值,并根据原始数据求出最佳幂指数值和灰作用量,然后利用求解出的参数建模拟合已有数据并预测边坡监测的数据。实验结果表明,灰色幂模型NGBM(1,1)的预测精度比传统GM(1,1)模型预测精度更高。     

GPS和灰色模型在变形监测中的应用

GPS定位技术具有诸多优点能够满足现代变形监测的需求。变形预测是一个影响因素很复杂的过程,灰色系统对于建模数据量要求比较低,能够有效克服回归分析等统计分析方法的不足,非常适合小样本的短期预测。以"川气东送管道南京扬子石化末站监测项目"中场地形变观测为例,简述GPS及灰色GM(1,1)模型在具体工程项目上的应用,且达到了满意的效果。     

时变参数模型在边坡变形分析中的应用研究

为揭示边坡变形规律,保证边坡安全,采用数学模型对变形监测资料加以分析。边坡变形的时效性明显,为提高灰色模型对边坡不同变形规律的适应性,提高模型的拟合精度和预测能力,对常规的灰色模型进行改进,将常规灰色模型中的常量参数改变为随时间变化的动态参数,由此建立时变参数灰色模型。实例分析结果表明,时变参数模型具有更好的拟合和预测效果,且适应不同变形规律的能力更强。     

非等间隔灰色GM(1,1)模型在沉降数据分析中的应用

本文用灰色系统理论的非等间隔模型GM(1,1)对西安市朱雀大厦周边建筑物及地表沉降观测数据进行了建模、分析和预测,并且与传统的回归模型拟合结果进行了比较,比较的结果验证了该灰色模型在建筑物及地表沉降变形分析中的实用性、正确性和有效性。     

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.     

灰色预测理论在建筑物沉降中的应用研究

简要介绍灰色预测理论,并结合GM(1,1)模型介绍灰色预测在变形监测中的理论方法。以吉林市世纪广场北侧挡水墙为例,分析GM(1,1)模型在变形监测中的精度和可行性,以及特殊情况。     

灰色预测在建筑物沉降变形分析中的应用

本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。     

瀑布沟水电站移民新城变形监测与预测分析

根据瀑布沟水电站移民场地GPS边坡自动化变形监测系统获得的高边坡变形量时间序列的非线性性质,基于相空间重构理论和最邻近点法预测及其加权预测模式,提出了基于加权模式的多相型综合预测方法;并将该方法应用于瀑布沟水电站移民安置场地GPS监测点边坡变形预测中。从而将移民新城的变形监测与变形量的预测分析相结合,对瀑布沟水电站移民新城的稳定性进行实时监测与预测。实例研究表明:监测系统提供的移民场地变形监测的精度可达到毫米级;多相型综合预测方法具有较高的预测精度和可靠性。从而为边坡的变形预测提供了一种实用有效的方法。     

GM(1,1)模型在高层建筑沉降预测中的应用

由于高层建筑变形是多因素作用的结果,而其变形系统的实质是一个灰色系统,所以可以采用灰色系统理论对高层建筑变形进行预测。根据灰色系统理论,建立了高层建筑变形的GM(1,1)预测模型。     

遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。     

GM(1,1)模型在深基坑变形预测中的应用

为研究基坑工程的变形规律,合理预测基坑未来的变形趋势,针对基坑工程变形中存在的各种变形因素复杂、变形大小不确定等情形,采用灰色系统理论建立基坑变形分析模型,结合工程实例,通过GM(1,1)模型群的建立确定最佳预测模型,然后在最佳模型基础上分别建立全数据模型、新信息模型、自动更新三种模型;预测结果表明应用灰色模型进行基坑工程变形分析的可行性和可靠性,为基坑工程的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。     

马尔科夫理论的优化灰色模型预测建模

针对GM(1,1)模型易受建模数据随机扰动影响,且模型稳定性较差的问题,该文提出了基于马尔科夫(Markov)理论的GM(1,1)预测优化模型。首先,通过最小二乘原理选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值,同时利用正化残差序列法进一步修正残差。然后,将优化的GM(1,1)模型和马尔科夫理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建了优化的灰色马尔科夫预测模型。最后,以某建筑物的变形实测数据为基础,进行了传统GM(1,1)预测模型、优化的GM(1,1)预测模型和优化的灰色马尔科夫预测模型的实例计算比较,结果表明:优化的灰色马尔科夫预测模型的拟合精度和预测精度优于传统GM(1,1)预测模型和优化的GM(1,1)预测模型,且适用性更强,稳定性更好。     

基于Matlab的建筑基坑变形灰色系统分析预报与应用

在基坑变形监测领域,将GM（1,1）模型应用于变形量的分析预报较为普遍.根据灰色系统理论,通过设定参数,进行用于基坑变形分析预报的灰色预测模型Matlab程序设计,利用具体工程前数期的实测数据,预测建筑基坑后期累计位移变形量,通过与后期实测数据的对比分析表明,程序运行的准确度较高,能够满足基坑变形预测预报的精度要求.     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容，贯穿于项目的设计、施工和运行，对监测的沉降数据进行处理，并预测沉降量，提前对工程作出安全预警，有很重要的实际意义。本文基于GM（1，1）灰色模型、小波分析和神经网络结合的相关理论，借助Matlab软件编程，建立了灰色-小波神经网络变形预测网络模型。结合工程实例，将建立的变形预测网络模型应用于累积沉降量观测数据，结果表明组合模型具有很稳定的预测效果，比单独的GM（1，1）灰色模型预测准确度高，且训练样本越多，预测越符合实际情况。