回归分析模型在大坝变形监测中应用

着重介绍了回归分析在大坝变形监测方面的应用,先介绍了回归模型的定义,接着说明了多元回归方程的建立,回归方程的显著性和回归系数的显著性,最后结合具体的实例对回归方程进行分析,建立模型,通过图表表示出预测值和真实值的曲线图,以及残差值曲线图,说明回归分析模型的实际应用价值。     

时空自回归模型在大坝变形分析中的应用

变形监测分析的模型与方法主要是针对单点时序的分析,建立大坝位移自回归模型可实现大坝位移预测预报,但传统自回归模型都是针对单测点进行的,这意味着需要对所有的测点进行建模,将会造成大量模型冗余.而大坝作为一个整体结构,测点间的位移在空间上是相互关联的。单点自回归模型并未考虑着这种相关性,为了考虑测点间的这种空间相关性并建立统一的模型,本文采用时空自回归方法对五强溪大坝位移监测数据进行整体分析,建立了大坝位移的时空自回归模型。通过对大坝引张线测点的建模与预测分析,结果表明时空自回归模型在时间和空间上都可以对位移监测数据序列进行较好的拟合与预测。     

基于岭回归的大坝变形位移模型

大坝回归建模中常常因自变量间的多重共线性产生病态问题,使得回归系数无法真实反映环境因子对大坝变形的影响.利用岭回归建立大坝变形模型,采用L曲线法对岭回归模型中岭参数进行求解,相比最小二乘方法直接得到的系数,岭回归模型求解结果更符合实际,且所建立模型能对大坝变形进行有效预测.     

克里金时空自回归模型在变形建模中的应用

针对时空自回归模型的空间权阵大多采用邻接性和反距离加权法导致模型预测精度较低的问题,该文提出了一种基于克里金法空间加权的时空自回归模型,通过普通克里金插值法原理来定义空间权阵,并利用五强溪大坝5年的观测数据分别对传统空间加权和克里金法空间加权进行建模对比。结果显示,克里金法加权比传统加权的变形预测精度提高44%左右,说明克里金时空自回归更适合建立大坝时空变形模型。该方法描述了实际空间的变异情况,提高了变形建模的预测精度,可用于大坝及其他变形体的变形建模。     

基于逐步回归分析的大坝变形分析模型研究

主要介绍对逐步回归分析模型的原理和基本步骤,结合大坝工程实例进行分析。引入了库水位、时效和温度三个因子建立逐步回归模型。得出了运用逐步回归模型分析大坝变形的合理性,可以达到预测的目的。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

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。     

变系数回归的GNSS时间序列异常值探测方法

针对传统的基于谐波模型的异常值探测算法效率较低的问题,该文引入变系数回归模型替代谐波模型分离GNSS坐标时间序列的信号与噪声(残差),并提出了一种基于变系数回归(VCR)模型与四分位距(IQR)统计量的组合异常值探测算法VCR＿IQR。该算法首先采用VCR分离时间序列中的信号与噪声,接着采用IQR准则探测噪声中的异常值。将VCR＿IQR与传统基于谐波模型的异常值探测算法—最小二乘探测法(LS＿IQR)和最小一乘探测法(L1＿ModIQR)进行模拟实验对比分析,结果表明,VCR＿IQR能够探测到92%的异常值,而LS＿IQR和L1＿ModIQR仅能探测到81%和85%的异常值,表明VCR＿IQR的探测效率优于LS＿IQR和L1＿ModIQR。     

基于小波分析回归模型的大坝监测数据处理

为了克服回归模型的一些缺点,将小波分析引入到回归模型里面,建立一种混合模型。本文通过介绍回归模型和小波变换,建立小波回归的混合模型,介绍建模的流程,通过小波变换来优化监测数据,再得到回归模型的估计函数。通过与回归模型的比较分析,说明这种混合模型较优的分析效果,更好的预测精度。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

大坝变形监测数据回归分析中的因子选择

本文对我国大坝变形资料分析中常用的逐步回归分析进行了探讨,指出这种方法通常所选的因子数偏少,其原因来自自变量之间的复共线性的影响。为了克服复共线性对因子筛选的影响,文中对因子筛选提出了若干有益的建议。     

大坝变形预报的模糊神经网络模型

在介绍模糊推理神经网络FNNLM训练算法及网络参数的确定方法的基础上,以东江大坝12个测点的水平位移预报为例,说明了模糊神经网络模型具有训练时间短、预报精度高的优势。     

基于分段回归模型的变形监测数据分析

变形监测是工程施工及运营的安全保障,其中监测模型的选择尤为重要。本文运用分段回归模型对某一隧道的拱顶沉降值进行分析预测,并从统计检验、曲线线型、拟合度三个层面进行评价,得到较为准确的结果,从而验证该方法的工程实用价值。     

利用多分类Logistic回归进行土地利用变化模拟——以湖北省嘉鱼县为例

提出了模拟土地利用变化的多分类Logistic回归模型,即将因变量的二分类扩展为多分类。分别计算各种类型之间的转换回归系数可提高模拟的精度。对于不同的土地利用类型,计算出了不同的回归系数。该模型用于研究湖北省嘉鱼县土地利用变化的正确率为73.4%。     

回归分析在建筑物沉降变形分析中的应用

根据南宁市民生广场沉降的实测资料,文中运用回归分析法分别建立了差异沉降回归模型和累计沉降回归模型;并通过对沉降变形的预测、成果的分析和检验,证实了在建筑物沉降变形分析中应用回归分析的可行性.     

无缝线性回归与预测模型

建立回归模型常采用最小二乘方法并忽略自变量观测误差。尽管同时顾及自变量和因变量观测误差的总体最小二乘方法近年来得到了广泛研究,但在模型预测时,依然忽略了待预测自变量的观测误差。对此,本文提出了一种严格考虑所有变量观测误差的无缝线性回归和预测模型,该模型将回归模型的建立和因变量预测联合处理,在建立回归模型过程中对待预测自变量的观测误差进行估计并修正,从而提高了模型预测效果。理论证明,现有的几种线性回归模型都是无缝线性回归和预测模型的特例。试验结果表明,无缝线性回归和预测模型的预测效果优于现有的几种模型,尤其在变量观测误差相关性较大时,无缝模型对预测效果的改善更为显著。     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

基于广义回归神经网络的电离层VTEC建模

提出一种基于广义回归神经网络的电离层电子总含量建模的新方法。依据电子总含量的时空变化特性建立基于广义回归神经网络的区域电子总含量模型。结合实例,详细讨论训练样本的采样策略对网络模型性能的影响,并确定较优的模型光滑参数和采样策略。分别从理论和实例上与常用的多项式模型进行对比分析。结果表明在数据样本密集区域两者的精度相当,而在外推的空白区域内网络模型的精度优于多项式模型,验证网络模型的可行性和有效性。