一种选权迭代法的半参数回归模型在滑坡预测中的应用

传统抗差估计中的选权迭代法无法探测到模型的系统误差，而基于补偿最小二乘原理的半参数模型可以较好地分离出系统误差。通过建立选权迭代法的半参数回归模型，利用时间序列法、L曲线法分别确定模型中的正则化矩阵及平滑因子，并利用选权迭代法重新定权，同时降低了观测粗差和系统误差对参数估值的影响。通过仿真算例，并以重庆奉节县大坪滑坡实测数据为例，验证了选权迭代法的半参数回归方法应用到三峡库区滑坡预测的有效性和优越性。     

���ڿ������˲���GM(1,1)ģ���ڸ�������������η����е�Ӧ��

????и?????????????η????????????????????????С?????????????????????????????????????????????“С??????????”???????????????????????????????????????????????????GM(1,1)??????????????г??????η????????????????????????????????????????????????Ч???????????????е???????????????????????????????????????????????????GM(1,1)???????????????????GM(1,1)??????????????????????η?????????????????????????     

灰色GM(1,1)与Kalman滤波模型用于变形预测的比较分析

通过运用灰色GM(1,1)和Kalman滤波模型分别对某高层建筑物的沉降变形趋势进行分析,得出灰色GM(1,1)适用于短期且变形趋势呈线性变化的变形分析与预测,而Kalman滤波模型不仅适用于短期预测,对于长周期预测也有较高的精度。因此,在观测周期较短时,灰色GM(1,1)和Kalman滤波模型对线性变化的高层建筑物都有较高的预测精度,但是对于较长周期的观测,Kalman滤波模型预测的精度和可靠性要高于灰色GM(1,1)模型。     

灰色预测与Kalman滤波在建筑物沉降变形分析中的应用

沉降变形分析与预测对于建筑物的安全运营具有重要作用,建立科学、合理的预测模型对于变形分析极其重要。本文运用GM(1,1)模型与Kalman滤波模型对建筑物沉降变形进行预测。通过实例对比分析表明,GM(1,1)模型较适合短期且变形趋势呈线性或指数分布趋势的变形分析与预测;Kalman滤波模型对短期和较长周期呈波形或线性变形均具有较高预测精度。     

灰色系统与时间序列在高铁沉降变形中的应用

介绍了灰色系统GM(1,1)模型、时间序列二次指数平滑模型的基本原理,给出了模型精度评定的方法 ;用Matlab编程实现模型的建立并对高速铁路沉降变形进行了分析与预测,通过工程实例对比分析2种模型的预测效果。结果表明,时间序列二次指数平滑模型较适合短期或中期变形趋势呈线性或微小波形的变形分析与预测,而GM(1,1)模型对短期呈线性或指数分布趋势的变形有较好的效果;时间序列二次指数平滑模型的可靠性与准确度比GM(1,1)模型高。     

基于卡方检验的抗差自适应Kalman滤波在变形监测中的应用

在抗差Kalman滤波的基础上引入双自适应因子,分别对动态模型不准确和观测模型存在粗差进行调节,构建双自适应因子滤波模型。针对抗差自适应Kalman滤波效率较低的缺点,通过构建基于卡方检验的抗差自适应Kalman滤波,先用卡方检验对粗差进行检验,再调用抗差自适应Kalman滤波进行处理。工程实例表明,双自适应因子滤波模型可以很好地抵御粗差,并减弱模型不精确的影响。基于卡方检验的抗差自适应Kalman滤波不仅可以削弱粗差对滤波估值的影响,而且可以提高数据处理的效率。