第四讲 频谱分析与变形观测数据处理

4.1 线性系统原理线性系统表示系统的信息过程性质,它把输入的信号x(t)转换成输出的信号y(t),如图4—1所示。在变形观测数据处理中,输入信号可以是多个,输出信号可以是一个或多个(我们较多处理的则是一个)。在动态变形观测分析时,我们用系统代表变形体,输入信号是作用在变形体上的荷载,而输出信号是观测的变形值。     

两种不同的SVM建模方法在大坝变形预测中的应用

用支持向量机对大坝变形监测数据建模分析和预测一般有两种方法:一是仅用大坝的变形数据作为输入端和输出端,构建支持向量机模型;二是用温度、水压等大坝变形的影响因子作为输入端,大坝变形数据作为输出端,构建支持向量机模型。两种建模方法比较研究鲜有讨论,文中用这两种建模方法对福建省某一大坝进行建模预测。结果表明,第二种方法建模预测速度更快,预测精度更高。     

专业测绘与工程测量

CH20001315 建筑物变形短期预测的神经网络方法/周满贵,潘国荣(同济大学)∥测绘工程.—1999(4).—63～66从系统论出发,把建筑物变形看成一个黑箱系统,提出了利用神经网络对建筑物变形进行短期预测的一种新方法。在此方法中.利用多层前馈神经网络实现系统的输出与输入映射,采用正的反向传播算法(Bp)作为学习算法。用实例加以证明,其拟合和预测的结果都令人满意。图2表1参5     

利用互信息和IPSO-LSTM进行滑坡监测多源数据融合

针对滑坡监测中的多源异构数据融合问题,结合互信息(mutual information, MI)、改进粒子群优化算法(improved particle swarm optimization, IPSO)和长短期记忆神经网络(long short-term memory,LSTM),提出一种新的多源异构监测数据融合方法。该方法基于互信息对影响滑坡变形的多个环境因子变量进行筛选,将筛选后的环境因子变量作为LSTM模型的输入变量,以滑坡累计位移量数据作为期望输出数据,并通过改进的粒子群寻优方法对模型进行参数寻优,获取模型的最优参数组合,进一步提高融合模型的预测精度。采用中国贵州省六盘水市水城县发耳滑坡的全球导航卫星系统(global navigation satellite system,GNSS)实测数据进行实验,结果表明:基于互信息和IPSO-LSTM的数据融合算法适用于具有多源异构监测数据的滑坡变形预测,且基于互信息的环境因子变量筛选方法优于Pearson相关系数筛选方法,经改进粒子群算法参数寻优后,融合模型的均方根误差(root mean square error,RMSE)达到2.6 mm,平均绝对误差达到1.7 mm,拟合优度达0.994。     

用遥感资料确定水文模型参数的方法

本文模型通常可分为三类:(1)基于一定物理机制的理论模型;(2)由输入、输出导出的经验模型;(3)介于这二者之间的半理论、半经验模型。实际应用中,多采用后两种模型。但它们普遍存在两个问题:(1)模型参数是点上的测量值,但运用时却假定它具有面上的代表性,这就势必引起很大的计算误差;(2)模型中一般不考虑流域下垫面特     

Correlation －SVM 模型在大坝变形预测中的应用

引起大坝变形的影响因素很多,即在利用支持向量机（ SVM）模型进行大坝变形分析和预报的过程中,需要将所有的影响因子都输入到SVM模型中,这样会造成输入因子的不侧重性,基于此,本文对大坝变形的影响因子进行相关性分析,根据大坝变形影响因子和大坝变形量之间的关系来确定最优的影响因子,即将比重比较大的影响因子输入到SVM模型中,从而提高了SVM模型运行效率及预测的精度和速度。     

建筑物变形短期预测的神经网络方法

从系统论出发,把建筑物变形看成一个黑箱系统,提出了利用神经网络对建筑物变形进行短期预测的一种新方法,在此方法中,利用多层前馈神经网络实现系统的输出与输入映射,采用正的反向传播算法作为学习算法。用实例加以证明,其拟合和预测的结果都令人满意。     

多目标遗传算法改进的加权多点灰色模型

针对传统多点灰色预测模型MGM(1,n)白化背景值构造方法不合理性导致模型往往不符合变形体实际情况的问题,该文提出了一种基于遗传算法的加权MGM(1,n)模型。引入白化背景值最佳生成权值矩阵替换传统模型背景值构造公式中的紧邻均值生成权阵,较好地顾及变形区域内多监测点变形趋势的突变性与不规则性,弥补了线性系统MGM(1,n)模型在非线性动力学系统变形预测分析应用中的不足;建立多目标优化实数编码遗传算法,实现背景值最优构造权阵的迭代搜索。基于仿真和工程实例数据的建模结果表明:改进模型较传统MGM(1,n)模型预测精度提高,抗噪声干扰能力增强。     

GM(1.1)模型在建筑物变形监测中的应用

通过对郑州市居民楼沉降变形监测数据进行处理,分别建立传统的GM(1.1)模型,新信息GM(1.1)模型,新陈代谢GM(1.1)模型,对三种模型进行分析与预报,比较的结果验证了新陈代谢GM(1.1)模型在建筑物沉降变形分析中的实用性、正确性和有效性。     

住宅房地产价格评估的空间型BP神经网络模型

住宅房地产价格与交通、环境等各类影响因子之间存在着非线性复杂关系,住宅价格的空间自相关性对住宅价格建模也有重要的影响。考虑到住宅价格的空间自相关性,构建了3种空间型BP神经网络模型,并利用遗传算法(GA)进行模型训练。第一种空间型模型的输入层神经元为样本坐标,第二种空间型模型的输入层神经元为空间滞后向量,第三种空间型模型的输入层神经元既包括样本坐标也包括空间滞后向量。以武汉市为例进行实证分析,选取了2010年291个住宅价格样本。实验结果表明,空间型BP神经网络模型的拟合精度优于普通BP神经网络模型及空间滞后模型,其中第三种空间型BP神经网络模型效果最优,输出结果与实际价格相关性达86.69%,均方根误差明显小于其他模型。     

贫信息条件下的多点变形预测模型及其应用

常用的单点变形分析方法没有利用监测点间相互关系的信息，不足以反映变形体整体的变形规律。本文将单点的变形预测模型扩展为多点的变形预测模型，建立了贫信息条件下的多点预测模型。进行了实例建模与分析，结果表明，多点预测模型为解决少数据，多因子的动态系统预测与分析提供了新的途径。     

基于插件方式的监测数据分析系统研究

在构筑物或建筑物的变形监测项目中,传统的监测数据分析软件数据结构固定、分析模型单一,无法灵活地分析监测对象的变形情况。本文采用C#语言以及插件方式和托管扩展性框架,摆脱了数据结构固定的约束,同时可动态添加分析模型和报表,实现了监测数据分析软件支持多数据格式和多模型分析的功能。     

多点变形动态灰色模型辨识及预测

从单点灰色模型入手,导出了多点变形的预测模型,通过用MATLAB语言编程,实现了空间多点变形预测模型的建立,并以实例验证了模型预测的有效性.     

基于小波变换与ARMA模型的建筑物沉降预报

对建筑物进行沉降监测并预报其变化趋势,能有效保障建筑物的安全性。本文提出一种基于小波变换的ARMA模型用于建筑物沉降预报。利用小波多尺度分析将沉降监测数据分解为高频信号和低频信号,并分别采用ARMA模型进行预测,然后将各序列预测结果进行合成,得到最终预测结果。并以青岛市某高层建筑物监测数据为例,分别采用传统ARMA模型以及基于小波变换的ARMA模型进行预报对比分析,结果表明基于小波变换的ARMA模型取得了较高的预报精度。     

基于GA-LMBP网络模型的小浪底大坝3维变形预报分析

BP神经网络在大坝监测资料分析处理中有广泛的应用,本文针对改进的BP神经网络:LM-BP网络模型的不足,采用遗传算法加以改进,建立了一种基于遗传算法和LM-BP网络模型的大坝3维变形预报模型GA-LMBP网络模型。将GA-LMBP网络模型应用于小浪底大坝3维变形预报分析中,取得了很好的预报效果,证明了GA-LMBP网络模型是一种行之有效的大坝变形分析预报模型。     

基于变形观测数据粗差探测与修复的小波变换法

研究小波变换在变形监测数据中探测与修复粗差的应用问题,实例分析证明：借助小波的多分辨率分析和数理统计的知识,能有效地探测出粗差,并通过对高频系数模极大值点的插值处理,结合小波重构等理论有效地修复粗差,为进一步进行变形分析与预报提供可靠保证。     

基于BP神经网络与变形监测成果的隧道安全状态评估

隧道变形监测周期长、内容多且影响因素复杂,因此需要对隧道监测方法进行不断的改进,对隧道的健康状态进行实时评估。研究变形监测范畴内基于BP神经网络的隧道安全状态评估模型,组建集卫星定位技术、测量机器人、传感器技术、移动网络通信等为一体的现代化物联网模式下的隧道变形监测系统,分析多源数据的变形特征,结合专家经验知识,实现基于BP神经网络与变形监测成果下的隧道安全状态评估,为隧道变形监测及安全状态评估提供一种新颖而有效的方法。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

时间序列InSAR技术中的形变模型研究

时间序列InSAR技术,包括PS-InSAR技术和小基线集InSAR技术, 能有效克服传统D-InSAR的失相干限制, 逐步成为形变测量中的实用化技术。但是, 现有时间序列InSAR技术主要采用线性函数对真实形变进行模拟, 在真实形变呈现强烈的非线性时, 这种处理将不能得到正确的形变结果。本文就时间序列InSAR的形变模型问题展开研究, 首先从干涉相位模型解算的方法入手, 深入分析了线性形变模型的不足, 当干涉点目标的密度不够并且真实形变的非线性较强时, 干涉相位方程的解将会发散。根据魏尔斯特拉斯逼近定理, 提出以高阶多项式取代线性形变模型, 并给出了基于多项式形变模型的干涉相位方程解算方法。 利用太原市2003-2009年的23景ENVISAT ASAR影像, 分别采用线性形变模型和三次多项式形变模型, 利用小基线集技术进行了形变反演。将这两种方法得到的结果分别与水准测量结果进行了比较。结果表明, 采用多项式形变模型不仅能取得更高的形变测量精度,而且能提高点目标的密度。由于高阶多项式总能比低阶多项式更准确地拟合连续函数, 因此本文提出的多项式形变模型在时间序列InSAR形变监测中具有广泛的应用价值。