结合Kalman滤波与小波神经网络的沉降形变监测

高速铁路隧道工程监测点沉降曲线具有小沉降、大波动的特点,沉降变形数据中存在大量随机噪声,将影响沉降变形分析的准确性。将Kalman滤波应用于高铁隧道沉降变形数据预处理,对沉降变形数据进行去噪,再利用小波神经网络对去噪后的沉降变形数据进行预测分析,从而提高单一小波神经网络的预测精度。通过工程实例分析表明,结合Kalman滤波的小波神经网络预测精度优于单一小波神经网络,具有更好的应用价值。     

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。     

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。     

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%。     

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。     

高速铁路桥梁沉降预测模型的对比分析

介绍高速铁路桥梁沉降变形的规律及沉降预测的判定标准,结合某高速铁路桥梁沉降观测资料,分别用规范双曲线法、修正双曲线法、三点法、Asaoka法和GM(1,1)法进行计算分析,通过比较预测沉降量与实测沉降量的残差并计算各模型的曲线回归相关系数,对比得出适用于高速铁路桥梁沉降预测的方法。     

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。     

基于小波分析的Kalman滤波动态变形模型研究

对GPS动态形变测量信号的性质进行了分析 ,采用小波分析对GPS动态变形数据滤波、变形特征提取和不同变形频率分离。与Kalman滤波方法相结合 ,首次提出基于小波分析的Kalman滤波动态变形分析模型 ,研究其参数设计和算法 ,并用MATLAB与C语言在微机上编程实现。对比大坝实测数据的处理结果可知 ,通过对原始观测值进行小波分析与Kalman滤波的联合处理 ,能克服只使用单一方法进行GPS数据噪声处理的不足。     

小波神经网络在高铁路基变形分析中应用研究

路基是高速铁路的轨道基础,是整个线路结构中最为薄弱的环节,对线路的平顺性、稳定性特别敏感,加强对高铁路基的沉降变形分析是确保路基工程施工质量和保障运营安全的重要环节。引入小波神经网络组合模型应用到高铁路基的沉降变形分析中,通过工程实例分析表明,小波神经网络组合模型预测精度较BP神经网络模型高,在高铁路基的沉降变形分析中具有更好的优越性和应用效果。     

自适应Kalman滤波在地表沉降观测中的应用

地下采煤引起的地表沉陷是一个时间和空间的过程,据此提出了观测站动态数据处理模型Kalman滤波和自适应Kalman滤波,通过实例验证了自适应Kalman滤波比普通Kalman滤波在观测站数据滤波和预测中具有优越性。     

自适应卡尔曼滤波高铁沉降观测数据处理模型研究

在介绍国内外高铁沉降数据处理方面的研究现状的基础上,依次阐述了包括回归分析法、人工神经网络、灰色系统理论和时间序列分析法在内的经典沉降数据处理方法,着重讲解了标准卡尔曼滤波理论及其相关公式,介绍了两种自适应卡尔曼滤波理论:方差分量估计AKF、方差补偿AKF。本文针对某具体工程实例,分别基于MATLAB平台编写了一套标准卡尔曼滤波程序和一套自适应卡尔曼滤波程序,并运用程序对其作了相关分析。通过对比分析,证明了自适应KF的优越性,并得到一套在处理实际问题时具有一定可行性的模型。     

京沪高速铁路沉降趋势分析与预报方法的研究

分别运用多项式拟合和灰色GM(1,1)模型,对京沪高速铁路常州段桥墩沉降监测数据进行了处理与分析,验证了灰色GM(1,1)模型的预测效果优于多项式拟合,能较好地预测桥墩的沉降趋势。     

基于GA-BP神经网络的高铁线下工程沉降预测模型

结合遗传算法与BP神经网络模型,介绍GA-BP模型的基本原理,建立高速铁路线下工程遗传BP神经网络沉降预测模型,并探讨模型精度的影响因子。通过实例分析表明GA-BP模型具有预测精度高、收敛速度快的特性,进而验证GA-BP模型在高速铁路线下工程沉降预测评估中的科学实用性。     

基于高差的卡尔曼滤波断高数据处理方法研究

针对城际铁路观测资料中,对断高数据处理不能准确反映线下工程沉降量的问题,结合卡尔曼滤波模型的优点,提出一种基于高差观测值的卡尔曼滤波模型断高数据处理新方法,并详细阐述了新方法实现的思路和具体步骤。通过武咸城际铁路工程实例验证,比较和分析了新方法与传统方法的结果,得出新方法能够使得观测资料更加真实地反映线下工程实际沉降量的结论,说明了该方法的可行性和有效性。     

基于模糊理论的抗差Kalman滤波算法

动态导航与定位的质量取决于对动态载体扰动和观测异常扰动的认知和控制质量。在实践中,观测向量及其动态模型信息均可能存在异常,此时若仍利用标准Kalman滤波,则状态滤波解将极不可靠。在标准Kalman滤波原理的基础上,结合模糊控制理论,提出了一种基于模糊理论的抗差Kalman滤波算法。该方法是依据滤波处理后的数据残差,利用模糊理论构造等价权,从而有效控制粗差对导航解的影响,并用算例验证了该方法的可行性和有效性。     

自适应卡尔曼滤波在大跨径桥梁安全监控中的应用

对由卡尔曼滤波理论建立的数据模型进行了研究,建立了自适应动态滤波模型,并用该模型对南京长江某大跨径桥梁的实际监测资料进行了分析,结果表明该模型能正确反映桥梁变化.     

卡尔曼滤波法在城际高铁沉降变形监测与分析的应用

随着我国城市化的不断发展,城际高铁作为城市圈之间的大动脉,对加强城市间联系,方便居民出行起到了重大作用。城际高铁轨道的沉降问题,是高速铁路运行面临最普遍的问题,影响高速行驶下高铁运行的安全性和稳定性。高速铁路的沉降监测数据是一组离散时间序列,蕴含十分丰富的形变信息。为了发掘这些数据中的变形规律,需要建立沉降预测模型,进行综合分析后,采用卡尔曼滤波法对沉降进行预测分析。     

沉降观测技术在武广高铁无砟轨道中的应用

近年来,随着中国经济的持续快速增长,发展高速铁路已经成为一种趋势。在我国,已经新建了几条高速铁路,而测量工作在施工过程中起到了决定性的作用。本文基于武广高速铁路施工技术,结合沉降观测技术在工程中的应用,分析了沉降观测中内、外业应该注意的问题,最后对武广高铁沉降观测进行预测分析得出满足无砟轨道的要求。     

Multisensor integration using neuron computing for land-vehicle navigation

Most of the present navigation sensor integration techniques are based on Kalman-filtering estimation procedures. Although Kalman filtering represents one of the best solutions for multisensor integration, it still has some drawbacks in terms of stability, computation load, immunity to noise effects and observability. Furthermore, Kalman filters perform adequately only under certain predefined dynamic models. Neuron computing, a technology of artificial neural network (ANN), is a powerful tool for solving nonlinear problems that involve mapping input data to output data without having any prior knowledge about the mathematical process involved. This article suggests a multisensor integration approach for fusing data from an inertial navigation system (INS) and differential global positioning system (DGPS) hardware utilizing multilayer feed-forward neural networks with a back propagation learning algorithm. In addition, it addresses the impact of neural network (NN) parameters and random noise on positioning accuracy. Electronic Publication