弱化缓冲算子修正的离散灰色预测

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。     

缓冲算子的VGM(1,1)模型预测精度研究

针对沉降过程中的沉降加速度和冲击扰动项问题,该文改变以累计沉降量作为GM(1,1)模型建模数据的传统做法,提出了以沉降速度为建模数据的VGM(1,1)模型和基于缓冲算子的VGM(1,1)模型。实验结果表明,VGM(1,1)模型以及基于缓冲算子的VGM(1,1)模型均可提高预测精度,基于缓冲算子的VGM(1,1)模型精度高于VGM(1,1)模型。     

缓冲算子的VGM(1,1)模型预测精度研究

针对沉降过程中的沉降加速度和冲击扰动项问题,该文改变以累计沉降量作为GM(1,1)模型建模数据的传统做法,提出了以沉降速度为建模数据的VGM(1,1)模型和基于缓冲算子的VGM(1,1)模型。实验结果表明,VGM(1,1)模型以及基于缓冲算子的VGM(1,1)模型均可提高预测精度,基于缓冲算子的VGM(1,1)模型精度高于VGM(1,1)模型。     

自适应GM(1,1)模型进行地表沉降预报

提出采用自适应GM( 1 ,1 )模型进行地表沉降预报 ,并用于兖州某矿形变控制点的沉降预报 ,效果令人满意。说明此模型具有实用价值。     

基于GM(1,1)等维新息模型的矿山沉降预测

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。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

改进的GM(1,1)模型在公路隧道沉降预测中的应用

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。     

改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

对新陈代谢GM(1,1)模型所采用的灰色预测方法进行了改进,运用新的代数递推方程替代了原始的灰色微分方程,并利用某建筑物的沉降观测数据进行了预测与分析,结果表明,改进后的新陈代谢GM(1,1)模型的预测精度得到了显著提高。     

GM(1,1)模型在深基坑变形预测中的应用

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。     

基于GM(1,1)模型的EXCEL/VBA二次开发

针对建筑沉降的特点,根据灰色系统理论,运用灰色预测模型GM(1,1),利用VBA(Visual Basic for Application)在EXCEL下编写宏程序,对建筑沉降进行预测分析,可以轻松实现灰色预测,效率提升明显且预测结果直观,其结果令人满意。     

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。     

基于总体最小二乘的改进GM(1,1)模型及其在建筑物沉降预测中的应用

介绍灰色系统理论及GM(1,1)模型,在GM(1,1)模型灰参数求解以建立微分方程时采用的最小二乘方法求未考虑模型中存在数据相关性的问题,引进总体最小二乘这种能够处理系数矩阵和观测矩阵同时存在偶然误差的平差方法,将总体最小二乘平差准则用于模型灰参数的解算,并且考虑系数矩阵和观测矩阵的权阵。分析这种改进的GM(1,1)模型的应用并以具体工程实例为背景讨论改进模型的优越性。     

基于GM(1,1)灰色模型卫星钟差短期预报的精度分析

为了提高GPS快速单点定位的精度,必须及时获得高精度的精密星历。基于卫星钟差变化的灰色特性,建立GPS卫星钟差GM(1,1)灰色模型,对卫星钟差进行短期预报。计算结果表明,灰色模型GM(1,1)用于卫星钟差短期预报,只需要使用少数几个历元的已知卫星钟差进行建模,不仅减少建模数据量,提高建模速度,而且预报精度较高,可以满足GPS快速单点定位的实际需要;并对卫星搭载的原子钟精度进行分析,得出基于灰色模型GM(1,1)分析的Rb钟的精度和稳定性要优于Cs钟。     

三重加权变形监测预测模型及应用

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。     

非等步长GM(1,1)模型及其在大堤沉降监测的应用

针对非等步长数据,传统GM方法是构造等步长序列,生成1-AGO序列,再建立等步长GM(1,1)模型。考虑到变形观测序列非等步长特性,以相邻观测时间间隔为权,直接生成1-WAGO序列,建立非等步长GM(1,1)模型。将GM(1,1)模型应用于堤防工程沉降观测分析与预报,得到了有益的结论。     

GM(1,1)模型在区域似大地水准面精化中的应用研究

提出一种利用GM(1,1)模型来拟合高程异常值序列的方法,文中就其建模理论和计算流程进行系统介绍,采用MATLAB语言编程对算法加以实现,并以某区域似大地水准面精化实例进行验证。结果表明,利用GM(1,1)模型建立区域似大地水准面精化模型是可行的。     

Adaptive Kalman filtering based on optimal autoregressive predictive model

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.     

GM(1,1)模型在建筑物变形预测中的应用

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。