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。     

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。     

建筑物沉降监测中的改进灰色模型

针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。     

灰色GM（1，1）模型在非采动沉降预测中的应用

为了研究地表非采动沉降预测的规律,介绍了灰色预测理论模型的建模方法与模型精度评定方法,阐述了采用GM（1,1）等维新息模型进行沉降数据分析的特点,结合水文资料分析引起下沉的主要原因;并以某工程的沉降观测实例,证实了非采动沉降监测中采用灰色GM（1,1）预测方法的可行性。     

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。     

基于小波变换和灰色模型的变形监测数据分析

变形监测数据中噪声等随机扰动的存在导致传统GM(1,1)模型的预测性能较差,难以满足实际工程应用要求.提出一种基于小波变换和灰色理论的变形监测数据分析方法.首先,根据最小熵准则自适应确定最优小波分解尺度;然后,利用小波变换对变形监测数据进行噪声抑制,消除扰动误差;最后,对噪声抑制后的变形监测数据进行灰度建模,利用GM(1,1)模型对未来形变进行预测.采用两例典型实例对所提小波GM(1,1)模型和传统GM(1,1)模型的建筑物形变预测性能进行对比评估,结果表明所提方法能够获得更高的预测精度,对不同数据的适应性和泛化能力更强,可满足实际工程应用需求.     

残差修正的GM(1,1)模型在滑坡位移预测中的应用

根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。     

基于 Markov 理论的加权非等距GM（1，1）预测优化模型

背景值的构造方法是影响加权非等距GM(1,1)预测模型的精度和适应性的关键因素。文中通过等分函数法构造新的背景值对传统的加权非等距GM(1,1)模型进行优化,优化后的模型使其同时适应于高增长指数序列和低增长指数序列,提高传统模型的预测精度和适应性能力。但是优化后的模型依然易受建模数据随机扰动影响。马尔科夫(Markov)模型具有削弱建模数据的随机扰动性的优势。基于此,将优化的加权非等距GM(1,1)模型和Markov理论有机结合,构建优化的加权非等距Markov-GM(1,1)预测模型。最后,结合秀山湖二期工程的变形实测数据,运用新陈代谢的计算模式进行预测验证。结果表明:优化的加权非等距Markov-GM(1,1)预测模型的拟合和预测精度都优于传统的加权非等距GM(1,1)预测模型,新的预测模型的适用性更强,具有实际的参考价值。     

基于优化GM(1,1)模型的基坑位移监测数据预测方法

针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。     

灰线性马尔科夫模型在建筑物变形监测中的应用

针对传统灰色GM(1,1)预测模型在建筑物变形监测预报中的拟合精度较差、预测精度较低和预测时间较短的问题,文中以传统GM(1,1)、线性回归和马尔科夫模型为理论基础,构建了灰线性马尔科夫预测模型,并结合某建筑物变形监测的观测数据,运用新陈代谢的计算模式进行预测。结果表明,灰线性马尔科夫预测模型的拟合精度和预测精度优于单一的灰色GM(1,1)预测模型和线性回归预测模型,灰线性马尔科夫预测模型具有预测精度高、预测时间长和稳定性高的优势。     

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。     

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。     

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。     

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。     

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%。