基于Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

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.     

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。     

改进的小波包阈值法去噪的桥梁变形监测数据处理

本文采用改进的小波包去噪方法对桥梁的变形监测数据进行去噪分析。研究了改进的小波包去噪三种不同阈值函数的去噪方法,分别从最优小波基的选取、最大尺度的确定、阈值函数的改进等三个方面进行分析。通过实验分析和去噪后的评价指标分析,结果表明改进的小波包阈值函数去噪效果要优于硬阈值函数和软阈值函数去噪,并且其去噪效果也要优于传统的小波包去噪。因此,改进的小波包阈值函数去噪方法为在高精度的变形监测数据处理分析提供了一种新的方法。     

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。     

基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,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粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。     

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。     

小波时间序列分析在高铁沉降变形中的应用

采用小波时间序列预测模型,建立基本思想和实现步骤,结合某高铁沉降监测数据,利用db3小波对原始数据进行去噪,在此基础上,建立了AR(2)模型,与运用时间序列方法所求出的预测值,进行比较分析,结果表明,采用小波时间序列预测模型,求出的预测值精度更高,具有很强的实用性。     

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。     

小波包多阈值去噪法及其在形变分析中的应用

在GPS变形监测领域,传统的小波去噪只保留低频上的有用信息,很容易去掉中频以及高频上的有用信息。小波包分析方法是近几年发展起来的一种新的小波分析方法,它同时考虑了各个频段上的有用信息,因此是一种更为精细的去噪方法。小波包去噪的关键是对小波包分解系数选取合适的阈值准则并进行阈值处理,但传统的小波包去噪并没有对此进行充分的研究。本文针对传统小波、小波包分析的不足,提出了一种基于频率顺序并依据信息类型分段的多阈值准则小波包去噪法。通过理论分析与实际应用,结果表明新方法能够高效剔除各频段的噪声,同时当采样频率较低时能有效保留去噪信号中频率高达10-1 Hz数量级的有用信息,其去噪能力优于传统的小波、小波包等其它去噪方法,因此可以广泛应用于高精度GPS变形监测领域中。     

一种基于分层约束的露天矿DEM构建方法

针对边坡的台阶状地形特征是露天矿地形表达的关键和难点问题,该文基于边坡台阶要素的空间关系建立边坡层次关系模型,采用一种逐层加入扩展点和约束线的方法生成扩展约束TIN模型,将某露天煤矿作为实验区,实现了露天矿DEM的动态建模。结果表明:提高了边坡坡面的层级可视化效果,保持了地形结构的完整性,实现了边坡实体单元的分层次表达,能够获得不同水平层次的DEM数据。基于边坡特征分析的分层约束方法为露天矿DEM的构建提供了一种思路,可为边坡监测、灾变分析和灾情预测等领域提供精确的地形数据。     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

INSAR技术在海州露天矿边坡变形监测中的应用研究

露天矿边坡的变形监测一直是矿山安全生产的重要工作,运用合成孔径雷达干涉(INSAR)测量技术对边坡进行监测是近年来微波遥感研究的一个重要方向。本文分析了INSAR技术在边坡变形监测中的技术优势及研究的进展情况,并利用海州露天矿传统监测实测数据和INSAR监测进行比较,结果表明,INSAR技术可以实现对大型露天矿边坡有效地监测,具有一定的技术优势和广阔的应用前景。     

GB-InSAR集成GIS的露天煤矿边坡变形监测

对露天矿边坡进行实时、精确测量可为边坡提供可靠的预警和治理信息,直接关系到露天矿的生产连续性和效益。地基SAR干涉测量技术（GB-InSAR）是最近10年发展起来的一种相对较新的变形监测技术,具有全天候、全天时的观测特点。而国内针对露天矿边坡变形监测大多处于试验阶段,缺乏长时间连续观测的能力,本文详细地阐述了GB-InSAR的基本原理,并将GB-InSAR得到的变形数据与GIS有机地连接起来,利用GIS强大的空间显示、分析能力,高效、实时、直观地展示变形信息,为露天矿生产提供了有力的决策支持。     

小波时间序列在地铁沉降监测中的应用

本文结合小波理论和时间序列的基本原理,提出了小波时间序列模型,并应用于某市地铁沉降的预测中,将其结果与常规时间序列模型对比,表明该模型具有在粗差探测、剔除等方面的优点,同时比常规模型预测更具应用价值。     

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。     

小波包分析在GPS振动观测中的应用

将小波包分析应用于GPS振动观测数据处理,研究小波包分析在异常值探测、信号特征提取、去噪中的应用。首先对信号分解和单支重构,验证小波包分析探测异常值的能力。针对小波包分析含有丰富的高频信息,采用奇异谱分析方法提取高频部分的振幅和频率。小波包分析的去噪能力优于小波分析。     

综合运用非线性回归和时间序列分析研究边坡变形

边坡变形的复杂性决定了运用非线性回归模型很难准确解决边坡变形规律。本文将讨论综合运用非线性回归模型和时间序列分析的方法进行变形预报。即运用非线性模型和其他模型的有机结合和综合运用正确分析和解决边坡变形规律,同时利用时间序列分析方法解决边坡周期性变形规律,并通过某实测边坡上一系列监测点监测资料的分析和研究,证明该方法的可行性。     

基于高斯过程回归的变形智能预测模型及应用

岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型（GPR-TIPM）;将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。