基于定权的多因子线性拟合方法研究

通过综合曲线拟合与多因子线性拟合的特点,提出基于定权的多因子线性拟合方法用于多因子变形监测数据处理,实现基于定权的多因子线性拟合模型的建模过程,并与多元线性回归结果进行比对,同时对沉降变形监测的沉降量进行预测分析,验证模型的可行性和实用性。     

基于MATLAB的高层建筑沉降变形监测数据处理

曲线拟合是变形监测数据处理与分析的常用方法。以济南某高层住宅楼的沉降变形监测为实例,首先介绍沉降变形监测方案,然后根据高层建筑的沉降变形特点,经综合分析比较,采用对数模型对监测数据进行曲线拟合,以MATLAB 7.0为平台编程实现并对建筑的沉降变形进行预报,结果表明该模型对高层建筑的沉降变形数据的处理具有显著的优越性。     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

自回归模型在变形监测中的应用

为了准确地对变形监测进行预报,得到科学的监测结果,本文利用自回归模型和最小二乘估计以及矩阵实验室(MATLAB)对变形监测数据进行处理。通过实际工程分析得到如下结论：(1)自回归模型用于变形监测可得到比较科学的结论;(2)对于不同的变形监测数据,如何选择自回归模型p是一个亟须解决的问题。本研究的结论可为变形监测数据处理提供一定的参考。     

LS+AR组合模型在大坝变形预报中的应用

针对大坝变形监测数据的年周期性特点,建立了大坝变形监测序列的拟合外推模型,提出了利用最小二乘外推(LS)与自回归(AR)组合模型预报大坝变形监测数据的方法。通过实验比较说明,LS+AR组合与AR模型相比,在大坝变形监测的预报精度上有一定程度的改善。     

多元回归与频谱分析在地铁自动化监测分析中的应用研究

多元回归分析是变形监测数据分析的常用方法。本文首先给出多元线性回归模型以及模型显著性检验方法,然后结合频谱分析可以确定时间序列数据的周期性,综合使用两种方法进行地铁保护区自动化监测数据分析,结果表明:该综合模型对变形数据的处理有着显著的优越性。     

综合运用非线性回归和时间序列分析研究边坡变形

边坡变形的复杂性决定了运用非线性回归模型很难准确解决边坡变形规律。本文将讨论综合运用非线性回归模型和时间序列分析的方法进行变形预报。即运用非线性模型和其他模型的有机结合和综合运用正确分析和解决边坡变形规律,同时利用时间序列分析方法解决边坡周期性变形规律,并通过某实测边坡上一系列监测点监测资料的分析和研究,证明该方法的可行性。     

线性综合模型用于崩滑体变形预报的研究

综合分析和比较了自回归模型和回归模型的特点，提出了采用线性综合模型来预报崩滑体变形的思想，以弥补自回归模型或回归模型预报的不足。实测资料的处理结果表明，综合线性模型具有特别的适用性。     

线性综合模型用于崩滑体变形预报的研究

综合分析和比较了自回归模型和回归模型的特点，提出了采用线性综合模型来预报崩滑体变形的思想，以弥补自回归模型或回归模型预报的不足，实测资料的处理结果表明，综合线性模型具有特别的适用性。     

基于Logistic曲线的地铁工程沉降预测模型研究

结构变形是一种广泛存在于地铁结构的工程问题,基于现有变形数据选择合适的预测模型对地铁结构变形的发展趋势进行较为准确预测分析对地铁结构的安全运营及维护具有重要意义,也是地铁结构变形监测工作中的一项重要工作。常见的变形预测方法主要有样条曲线拟合、灰色模型、蚁群算法。本文通过介绍"S"形Logistic曲线性质与经典Logistic模型参数估计方法,并利用基于高斯牛顿法的非线性曲线拟合迭代,获取全局最优参数并结合某地区地铁保护区道床沉降监测工程,探讨分析了Logistic预测模型及其预测精度。研究结果表明,Logistic预测模型计算得到的变形趋势与实际工况吻合,模型预测精度较高,对同类型地铁道床沉降预测具有一定参考价值,可为相关工程项目提供参考。     

基于 MATLAB 与小波进行沉降数据处理与分析

结合小波分析的基本原理和MATLAB强大的数据处理能力与图形拟合能力,采用了小波时间序列预测模型与MATLAB中自带的拟合工具箱来进行沉降数据的拟合,并将该方法应用于黄冈市某大桥软土路基沉降监测的预测工作中。然后,对两种拟合方法进行了预测效果对比。从所得的结果表明：小波处理后的模型具有抗差干扰和粗差探测、剔除的优点,同时使用曲线拟合工具箱的拟合模型比常规模型更方便快捷且预测的效果也很高,两种模型结合使用会较大地增加其应用价值。     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

指数平滑与曲线拟合模型在沉降监测中的应用

通过分析建筑物沉降监测数据的特点,采用了指数平滑和曲线拟合模型对建筑物沉降监测数据进行处理,实现了两种数据处理模型的建模过程,并用于建筑物沉降量的实际预测,验证了模型的可行性。     

时序分析模型在高挡墙沉降预报中应用

结合某高速公路高挡墙段沉降监测数据,研究了趋势拟合和时序分析综合模型预报在高挡墙沉降预报中的适用性,提供了一种简便易行的、可供一般工程人员使用的趋势拟合和时序分析综合模型计算方案。     

时间序列分析在地铁沉降监测中的应用

采用时间序列分析方法,对长春市地铁一号线——繁荣路站基坑变形监测点连续28期的数据进行分析处理,建立自回归模型,并对后4期数据进行预报,其一步拟合中误差为σ=±0.2 mm,具有较高精度。通过对数据的分析,论证了时间序列分析方法在地铁沉降监测中的可行性与有效性。     

基于自回归法的滑坡监测数据Kalman滤波的应用

介绍了卡尔曼滤波的基本模型,针对运动学方法以监测点位置参数、速率参数为状态向量,以加速度为噪声向量建立观测方程和状态方程的过程比较复杂。把自回归法引入状态方程和观测方程的建立中,并结合某露天矿滑坡动态监测数据分析了模型的应用。结果表明,滤波值和观测值之间差值保持在1～3cm之间,滤波后图像较原观测值图像更为光滑,表明所建模型是合适的,能够反映滑坡动态变化过程,从而为矿滑坡监测预报提供数学工具。     

基于曲面拟合的GPS高程转换精度分析

针对大面积、地形复杂区域的GPS高程转换的精度问题,本文在对GPS高程拟合的基本原理及其具体的数学模型,如平面拟合、相关平面、二次曲面、三次曲面拟合模型进行研究的基础上,通过对新疆某区域的GPS/水准试验数据,利用Mat LAB软件进行编程计算,结果表明:平面拟合及二次曲面拟合模型对于试验区域的高程拟合复精度较差,而三次曲面拟合模型的转换精度较高,能满足后续的测量需要。     

回归分析与灰色理论在建筑物沉降变形分析中的应用

沉降监测的数据分析与预计在工程建设中具有决策辅助作用。选择合理的预测模型进行沉降预计,可以提高预计精度。结合工程实例,对焦作市×××项目8号楼进行沉降监测,分别用回归分析模型和灰色理论GM(1,1)模型进行数据处理,从而说明两种模型各自适用的环境条件和优缺点,预计效果令人满意。     

土壤Cu含量高光谱反演的BP神经网络模型

以高光谱数据为基础,针对传统土壤重金属反演模型拟合度低、预测效果差的缺点,提取光谱预处理后的特征波段数据进行相关性分析,选取860nm一阶微分光谱反射率建立基于Matlab的重金属Cu含量BP神经网络预测模型,模型的拟合优度为0.721,预测精度达82.3%,高于传统单元线性回归模型0.414的拟合优度与76.1%的预测精度。研究表明,BP神经网络模型具有良好的拟合优度与预测能力,能更有效预测土壤中重金属Cu的含量。