基于Kalman滤波的GM(1,1)-AR模型在高层建筑物沉降变形分析中的应用

在传统的GM(1,1)模型和AR模型的基础上提出一种基于Kalman滤波的GM-AR模型预测新算法。利用卡尔曼滤波对原始监测数据进行滤波消噪,获取有效地实际变形量;然后对实际变形量中的趋势项和随机项运用GM(1,1)-AR组合模型进行建模组合。通过工程实例分析表明,基于卡尔曼滤波的GM(1,1)-AR模型相比单一的GM(1,1)模型和GM(1,1)-AR模型,有效地减弱观测噪声的影响,提高预测精度。     

基于小波去噪的非等间隔变形监测数据GM(1,1)预测方法研究

在小波去噪和非等间隔GM(1,1)的基础上提出基于小波去噪的非等间隔GM(1,1)组合模型的预测方法,并且通过矿区实测数据模拟实验对三种方法进行对比分析。结果表明,小波去噪的模拟精度高于非等间隔GM(1,1),组合模型的预计精度高于单独使用非等间隔GM(1,1),验证了该方法的实用性和可靠性。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

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.     

组合预测模型在基坑变形监测中的应用

现今常见的变形监测数据处理方法有GM(1,1)模型、BP神经网络模型和径向基神经网络模型(RBF),本文分别采用GM(1,1)模型和RBF网络模型对基坑结构的水平位移量进行预测,并且采用基于方差倒数法的组合模型对上述两种单一模型预测值进行组合,以达到改善预测精度的效果。实验结果表明,组合模型的预测精度和可靠性优于单一模型,说明了该模型的可行性。     

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。     

基于改进等维信息灰色模型的高铁隧道沉降预测研究

等维信息灰色模型是对传统灰色模型的改进,但其模型背景值仍设定为0.5,为了使模型的预测性能得到提高,本文提出了基于粒子群PSO算法的等维信息灰色模型来优化模型的背景值,以消除灰色模型本身固有的偏差。根据已有的高铁隧道沉降监测数据,对其进行小波去噪处理,再分别建立传统GM(1,1)模型、等维信息GM(1,1)模型和PSO-等维信息GM(1,1)模型进行拟合预测,并与原始数据进行对比。预测结果表明,改进后的等维信息GM(1,1)模型的预测精度更高。     

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。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

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。     

小波去噪的灰色动态模型在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。     

灰时序GM-AR模型在建筑物沉降变形预测中的应用

本文以现代高层建筑沉降变形预测为主要研究目的,讨论了灰色GM(1,1)模型和时序AR模型的特点和适用范围,从预测的角度对灰色和时序模型进行了比较和分析;提出了基于优化灰参数α、u的GM(1,1)模型和AR组合模型预测高层建筑物沉降变形的新方法;将变形量分解成具有确定性的趋势项和具有不确定性的随机项,建立GM-AR模型分别对趋势项和随机项进行预测,应用结果表明,该方法使预测结果更为可靠、准确。     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

基于模糊时间序列的变形预报模型及其应用

将模糊时间序列模型引入变形预报,并与灰色GM(1,1)、等维灰数、组合动态等模型进行了比较,计算结果表明,模糊时间序列模型各项精度评定指标优良,并且计算简单,非常实用。     

基于非等间隔GM(1,1)模型的沉降预测

使用非等间距GM(1,1)模型、基于线性内插和基于神经网络的GM(1,1)模型对某建筑物的沉降观测数据进行分析和预测,并将建模过程在Matlab中用程序语言进行描述。依据预测结果对3种方法的优缺点进行说明,对于实际工程的数据处理方法选取有一定的指导意义。     

变异时序回归GM(1,1)模型

鉴于在GM(1,1)预测模型中,灰参数与背景值导致的GM(1,1)模型的残差,本文提出将残差引入到时序中,对时序进行变异,利用不同的曲线回归方程对变异时序进行估计.基于对不同回归方程估计结果的误差分析,选用最佳的回归方程作为GM(1,1)变异时序预测方程;并将预测结果作为GM(1,1)模型的变量k.实例计算表明,变异时...     

灰色动态组合模型及其在大坝变形预测中的应用

提出了先对序列进行平滑处理,再建立灰色动态组合模型,分析了实测数据的计算结果,实现了较高的预测精度。     

融合小波变换和自适应Kalman滤波在GPS监测中的应用研究

针对自适应卡尔曼滤波只适用于滤除高斯分布的白噪声,本文提出了融合小波变换和自适应卡尔曼滤波的算法。该算法利用小波变换的多尺度分解,将GPS高频的监测时间序列进行多层分解,重构出新的GPS监测时间序列,将其作为新的自适应卡尔曼滤波初始值,进行滤波处理。将融合算法的滤波结果与单一的自适应卡尔曼滤波结果进行对比分析,结果表明融合算法的滤波效果较为显著。同时,对融合算法滤除的噪声信息进行统计分析,结果表明融合算法滤除的噪声符合正态分布,进一步说明了该融合算法的有效性,为GPS的高频率、高精度的监测提供了技术支持。     

基于MATLAB的铁路路基沉降预测优化方法

高速铁路路基的工后沉降严重影响着行车安全。在已有的预测模型中,所采用的初始数据往往不能满足等时间周期采集,而且还会伴随着一系列不可避免的观测误差,模型本身的误差累计,不能进行长期预测。文中利用最小二乘原理对初始值进行拟合改进,采用Lagrange插值方法将非等间隔序列转为等间隔序列,并基于新陈更替GM(1,1)模型利用MATLAB建立沉降预测模型;在此基础上,提出对模型残差进行GM改正以提高模型精度的方法。研究表明,通过对初始值序列改正后的模型具有较好的适应性,优化改进后的模型预测误差小,预测精度优于新陈更替GM(1,1)模型。