共查询到18条相似文献,搜索用时 46 毫秒
1.
针对地铁通风井深基坑工程的沉降数据扰动因子多、传统灰色模型预测效果差的不足,本文以DGM(1,1)模型为基础,利用弱化缓冲算子能够有效地处理含有扰动因素的原始监测数据的优势,较好地改善了基础模型的预测精度。本文在系统分析弱化缓冲算子对DGM(1,1)预测修正过程的基础上,选用3种弱化缓冲算子对风井基坑周围的地表监测点D2和给水管线监测点S2进行沉降量预测的对比分析。工程实例分析表明:平均弱化缓冲算子修正后的DGM(1,1)模型具有较高的预测精度,可以用于工程中的沉降预测。 相似文献
2.
3.
4.
5.
基于GM(1,1)等维新息模型的矿山沉降预测 总被引:1,自引:0,他引:1
介绍了GM(1,1)灰色模型的建立过程及模型的精度评定方法,采用等维新息模型对某矿工业广场的沉降趋势进行了预测,并用残差序列建立GM(1,1)模型进行修正,通过与实测的结果对比表明,模型的预测具有较高的精度,模型可靠合理。 相似文献
6.
7.
根据灰色系统理论,可以将公路隧道的沉降过程看做一个灰色系统。本文对传统的GM(1,1)模型中的初始值、背景值进行改进,得到改进的GM(1,1)模型,并将其应用到公路隧道的沉降预测中。通过实例验证,改进的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型有显著提高。 相似文献
8.
9.
为研究基坑工程的变形规律,合理预测基坑未来的变形趋势,针对基坑工程变形中存在的各种变形因素复杂、变形大小不确定等情形,采用灰色系统理论建立基坑变形分析模型,结合工程实例,通过GM(1,1)模型群的建立确定最佳预测模型,然后在最佳模型基础上分别建立全数据模型、新信息模型、自动更新三种模型;预测结果表明应用灰色模型进行基坑工程变形分析的可行性和可靠性,为基坑工程的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。 相似文献
10.
11.
基于 Markov 理论的加权非等距GM(1,1)预测优化模型 总被引:1,自引:0,他引:1
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。 相似文献
12.
13.
14.
针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。 相似文献
15.
16.
17.
Conventional Kalman filter (KF) relies heavily on a priori knowledge of the potentially unstable process and measurement noise statistics. Insufficiently known a priori filter statistics will reduce the precision of the estimated states or introduce biases to the estimates. We propose an adaptive KF based on the autoregressive (AR) predictive model for vehicle navigation. First, the AR model is incorporated into the KF for state estimation. The closed-form solution of the AR model coefficients is obtained by solving a convex quadratic programming problem, which is according to the criterion of minimizing the mean-square error, and subject to the polynomial constraint of vehicle motion. Then, an innovation-based adaptive approach is improved based on the KF with the AR predictive model. In the proposed adaptive algorithm, the process noise covariance is computed using the real-time information of the innovation sequence. Simulation results demonstrate that the KF with the AR model has a higher estimated precision than the KF with the traditional discrete-time differential model under the condition of the same parameter setting. Field tests show that the positioning accuracy of the proposed adaptive algorithm is superior to the conventional adaptive KF. 相似文献
18.
通过对某楼群变形预测的实例,阐述了如何利用现场采集的数据信息,按灰色理论的GM(1,1)模型建立预测模型,对建筑物变形进行预测预报的方法。 相似文献