基于卡尔曼滤波的动态灰色理论模型研究

灰色理论模型是采用较少的数据对目标进行预测,但在建模过程中容易受到随机扰动的影响。卡尔曼滤波可以很好地剔除建模数据的随机干扰噪声,和灰色理论模型结合在一起进行数据的预测,可以提高预测的精度,更好地预测目标的变形趋势。传统的灰色理论模型GM(1,1)在预测过程中没有考虑未来因素对系统的影响,做长期预测,精度会降低。文中研究在预测过程中引入新的信息,建立等维灰数递补的动态灰色理论模型,结合工程实例,与传统的静态模型作对比,动态模型预测的结果更加优化,精度更高。     

高层建筑形变监测中动态灰色理论模型的应用

利用灰色理论模型对高层建筑物变形监测数据进行了建模和分析,并针对传统GM(1,1)模型在预测过程中的数据发散问题,对模型进行了改进,建立了动态GM(1,1)模型。通过对两种模型的预测结果与实际观测值的比较,证明动态模型在中长期变形监测中具有明显优势。     

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.     

基于加权改进灰色模型的建筑物变形预报

针对灰色模型在建筑物变形预报中存在的问题,提出了改进灰色模型的要求。该模型运用了距离最近影响最大的原则,对建模数据赋以一定的权,以体现各个数据的重要性不同;同时给出了三种不同的加权方法;最后,结合工程实际,比较了经典灰色模型和加权改进灰色模型的预报效果。结果表明本文的方法能很好地改善预报精度。     

基于抗差卡尔曼滤波的GM(1,1)模型在变形预计中的应用

针对传统灰色模型建模过程中易受观测数据随机噪声干扰的影响,利用抗差卡尔曼滤波理论能够有效地估计含有噪声的观测值的优点,构建了基于抗差卡尔曼滤波的GM(1,1)模型。结合实例,验证了该模型在一定程度上可以提高变形监测预测精度,更好地反映观测对象的变形趋势。     

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。     

基于新陈代谢的PGM(1,1)模型在建筑物变形监测中的应用

针对目前灰色理论模型在变形监测中的应用,本文分析了PGM(1,1)模型中的参数及其求解的方法;对于建模时前期观测值对后期预测值的影响,引入新陈代谢理论,通过整体最小二乘求解得到模型的背景值。结合高层建筑物沉降监测的实例进行计算分析,结果表明,基于新陈代谢的PGM(1,1)模型相比于传统的GM(1,1)模型,在建筑物沉降预测方面具有较好的效果。     

优化非等时距加权灰色-时序组合模型在地铁监测中的应用

对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势.本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列.在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证.结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性.     

非等时距灰色线性组合模型在变形监测中的应用

由于建筑物的变形发展是具有一定趋势的动态过程,有其内在的规律性,而变形监测数据正是这种规律的反映,也就是说前期观测数据的变化蕴含着后期发展变化的趋势。本文通过含有线性因素的非等时距灰色线性组合建模并对实际工程变形监测数据进行处理,与传统的非等时距灰色系统数据处理进行比较分析,从而得出此类模型特点以及优势以供参考。     

顾及起算数据误差的多点灰色模型在变形监测中的应用

分析了多点灰色模型利用最小二乘估计原理进行参数解算时无法顾及起算数据误差带来的影响。将混合最小二乘与多元整体最小二乘应用到多点灰色模型的参数估计中。首先利用QR分解将起算数据中常数列和误差项相分离;采用最小二乘和多元整体最小二乘分别进行解算建模;最后通过实验证明了优化的MGM(1,n)模型具有较高的建模和预测精度,能够为精密工程变形分析提供一定的参考和借鉴。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

基于小波分析的Kalman滤波动态变形模型研究

对GPS动态形变测量信号的性质进行了分析 ,采用小波分析对GPS动态变形数据滤波、变形特征提取和不同变形频率分离。与Kalman滤波方法相结合 ,首次提出基于小波分析的Kalman滤波动态变形分析模型 ,研究其参数设计和算法 ,并用MATLAB与C语言在微机上编程实现。对比大坝实测数据的处理结果可知 ,通过对原始观测值进行小波分析与Kalman滤波的联合处理 ,能克服只使用单一方法进行GPS数据噪声处理的不足。     

基于AR（p）的卡尔曼滤波在GPS变形监测中的应用

由于AR（p）模型结构比较简单且计算比较方便，在变形分析中，目前常采用此模型建立变形模型。然而单纯的AR模型把模型参数作为定值，变形数据拟合误差及变形预测误差可能会比较大。介绍了将卡尔曼滤波引入AR模型，利用观测数据建立AR模型，即建立观测方程；以AR模型的参数为状态向量建立状态方程。从而形成动态系统的卡尔曼滤波函数模型，动态计算出AR模型的参数以便预测。此方法快速、实时，且占有较少内存，充分利用了AR模型和卡尔曼滤波二者的优点。     

基于自适应卡尔曼滤波的地表移动变形预报研究

构建自适应卡尔曼滤波预报模型,利用GNSS CORS连续运行实时监测数据,通过自适应卡尔曼滤波预报值、标准卡尔曼滤波预报值及实测数据对比分析,得到自适应卡尔曼滤波预报偏差明显减小,预报精度明显提升,满足了地表移动变形实时监测的精度要求。      

利用新息构造AKF估计和预报大坝变形

利用线形流形的射影方法推导出新息序列统计特性,构造新息AKF,基于新息序列不断地修正状态噪声和量测噪声,实时地反映模型当前真实的统计特性。通过隔河岩大坝实测数据处理,表明该方法能很好地提高随机模型不准确和变形突变影响下的变形估计与预报精度。     

顾及地形因素的卡尔曼滤波相位解缠算法

相位解缠是InSAR进行数字高程模型提取和地表形变测量的关键步骤.提出一种顾及地形因素的卡尔曼滤波相位解缠算法.该算法通过在卡尔曼滤波的状态空间模型中引入与地形因素相关的输入控制变量来实现.由于干涉条纹直接反映地形的变化起伏,局部条纹频率与局部地形坡度密切相关,考虑采用局部条纹频率估计作为输入控制变量.在局部频率估计中...     

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。     

基于卡尔曼滤波模型的地铁沉降监测分析

卡尔曼滤波方法是变形监测中常用的一种方法,本文通过对获取的地铁沉降观测数据进行监测,采用经典的卡尔曼滤波方法和基于方法补偿的自适应卡尔曼滤波方法进行监测预估,通过对比发现,基于方差补偿的自适应卡尔曼滤波方法能够有效地控制观测数据异常对动态系统参数估计的影响,保证了变形监测数据估计的精度。     

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。