不等时距灰色模型在深基坑变形预测中的应用

传统的灰色模型多适用于等间距序列监测数据的模拟预测,而实际上由于各种原因往往使所获得的监测数据是不等时距的。研究了基于不等时距灰色预测方法的深基坑变形预测模型,应用深基坑工程变形的实际监测资料,对其预测精度及可行性进行了充分的分析比较与论证。结果表明,不等时距灰色模型预测深基坑变形的精度及可信度较高。     

非等时距灰色-马尔科夫链模型在深基坑变形预测中的应用

针对深基坑变形难以建立准确的计算模型进行预报问题,本文运用非等时距灰色-马尔科夫链对深基坑变形量进行预测。首先基于原始实测数据,建立非等时距灰色预测模型;然后采用马尔科夫链对预测值残差序列进行修正,进一步提高预测模型的预测精度;最后对潍日高速跨铁路转体桥深基坑4个测点的变形量进行预测。研究表明,灰色-马尔科夫链模型的预测精度明显高于灰色模型,预测值与实测值吻合较好,预测值后验差为0.07、0.37、0.16和0.33,精度等级均为1级,该模型为深基坑变形预测提供一种新方法。     

最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开,基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想,以非等间隔灰色预测模型与BP神经网络模型为预测单模型,以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源,以最优加权法对单模型预测结果开展了最优权组合,组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价,结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果,最优权组合预测的模型精度较单模型明显提升,预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

径向基神经网络在沉降预测中的应用

针对大型建筑物的沉降监测存在较多的不等时间间隔沉降监测数据,现有模型需要对此类数据进行等间隔处理后建立沉降预测模型的现状,该文采用无需对监测数据进行等间隔预处理的径向基神经网络对沉降监测数据建立沉降预测。通过对西安某大厦基坑开挖对地表和周围建筑物影响的沉降监测数据进行实例分析,并与非等间隔灰色GM(1,1)预测模型进行对比,利用模型评价指标评价预测模型精度。结果表明:采用径向基神经网络建立预测模型处理过程简便,其预测精度优于非等间隔灰色GM(1,1)预测模型。     

灰线性马尔科夫模型在建筑物变形监测中的应用

针对传统灰色GM(1,1)预测模型在建筑物变形监测预报中的拟合精度较差、预测精度较低和预测时间较短的问题,文中以传统GM(1,1)、线性回归和马尔科夫模型为理论基础,构建了灰线性马尔科夫预测模型,并结合某建筑物变形监测的观测数据,运用新陈代谢的计算模式进行预测。结果表明,灰线性马尔科夫预测模型的拟合精度和预测精度优于单一的灰色GM(1,1)预测模型和线性回归预测模型,灰线性马尔科夫预测模型具有预测精度高、预测时间长和稳定性高的优势。     

马尔可夫残差修正模型的高铁路基变形预测

针对灰色系统模型在变形预测中存在预测结果不理想的问题,给出马尔可夫残差修正模型,首先应用灰色预测模型对未来的沉降变形进行预测,然后用马尔可夫过程对预测结果修正,提高预测精度。应用表明:马尔可夫残差修正模型的预测值与观测数据的拟合结果优于传统灰色系统预测模型以及残差修正模型,其预测精度明显提高,沉降预测值更为可靠,可为工程监测提供科学决策依据。     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

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。     

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。     

变形监测缺失数据序列灰色建模方法探讨

在测量工作中,由于气候环境、观测方法、观测仪器以及观测人员自身因素等多方面的原因,可能造成观测数据的丢失或者不完全。文中针对这类数据的处理,采用加权平均法和三次样条插值法对缺失数据进行修复,建立GM （1,1）模型,并与非等间隔预测模型进行对比。通过两组仿真数据和两组实测数据验证发现：对于呈指数增长的序列和高增长序列修复之后建模预测精度更高;三次样条插值法数据修复后GM （1,1）建模预测精度较加权平均法预测精度更高;对于低增长序列,直接采用非等间隔建模预测精度更高。     

变形监测数据预报的动态贝叶斯ELM方法

贝叶斯极限学习机(BELM)具有充分利用数据先验信息,可以自适应估计模型参数的特点。但在样本数量不断增加时,如果每次都对BELM重新训练将会降低计算效率。针对此问题,本文提出一种动态贝叶斯极限学习机(DBELM)方法以应用于变形监测数据实时预报。该方法以BELM训练的模型参数为初值,根据新增样本信息可对初始模型参数进行动态更新,并从理论上推导了相关计算公式。通过对仿真数据和实际变形数据进行详细分析表明:DBELM方法的预报精度要优于BELM、正则化极限学习机(RELM)、极限学习机(ELM)3种方法。特别是在长期持续预报过程中,其预报性能相对于其余3种方法优势明显。这充分表明了所提方法应用于变形监测数据预报领域具有可行性和有效性。     

森林资源监测中GF-2卫星影像波段配准误差分析

通过对GF-2卫星影像正射校正及波段模拟配准误差试验,分析GF-2卫星正射校正方法的选择以及不同配准误差下对GF-2卫星影像自动分类结果的影响;最后介绍GF-2遥感影像在森林资源监测应用中的初步测试。研究结果表明:正射校正时,当校正精度要求控制在RMS2时,控制点数量选择范围在85~95间较为合理,且控制点数在90个时,RMS值最小;经有理函数模型与卫片模型比较后,卫片模型校正精度较高;以目视判读为主时,实践中建议使用三次卷积重采样法输出结果最好;波段模拟配准误差试验中,配准误差与各地类面积变化间存在显著的线性关系;对于森林面积监测时,配准误差应小于0.3个像元。此研究可为新型国产卫星数据在森林资源监测中的应用提供参考。     

Evaluation of Information Loss in Digital Elevation Models With Digital Photogrammetric Systems

Information loss is caused when a surface is sampled with a finite interval, such as in the production of a digital elevation model (DEM). This information loss can become the dominant part of the error in a DEM. The ability to quantify information loss enables guidance to be provided for an appropriate choice of grid interval and better accuracy assessment for the DEM. With the use of digital photogrammetric systems, evaluation of information loss has become much easier. This paper describes three methods of evaluating information loss. An example is given of the method which is most appropriate for use with a digital photogrammetric system, based on rock cliff surface data and the VirtuoZo system.     

机场净空区建筑物的识别与监测

目前,在建筑物识别与监测方面,基于单幅高分辨率遥感影像的阴影测高法和基于多视角影像的立体像对法将建筑物轮廓或名称识别与高度监测相独立,因此导致其自动化水平较低、数据冗余度与成本较高。基于数字表面模型(DSM)和兴趣点(POI)数据,本文提出了一种机场净空区建筑物识别与监测集成的方法,并以某国际机场为试验区对该方法的可行性进行了验证。试验结果表明:①该方法在建筑物识别与监测方面的准确率只取决于DSM的精度,而对DSM的数据来源没有限制;②以潜在危险建筑物高程变化速率为依据进行不定期的动态监测,在确保监测间隔期间机场净空区安全的同时可以降低数据成本和重复识别与监测所有建筑物造成的数据冗余度。     

改进的灰色模型在建筑物沉降预测中的应用

介绍灰色非等间距GM(1,1)模型的建立及其精度评定方法,着重探讨模型精度的主要影响因素,并从模型背景值的构造以及初值选取两个方面对灰色非等间距GM(1,1)模型进行改进,结合高层建筑沉降监测实例进行预测结果分析,结果表明,改进后的灰色模型具有较高的精度,在沉降预测中具有较高的应用价值。     

利用GPS-IR监测土壤湿度的多星线性回归反演模型

全球定位系统干涉反射测量(GPS-interferometric reflectometry,GPS-IR)是一种新的遥感技术,利用测量型接收机记录的信噪比(SNR)观测值可实现近地表土壤湿度的监测。考虑到目前利用多星组合反演土壤湿度的研究较少,本文提出一种土壤湿度多星线性回归反演模型。试验表明:①多星组合反演能够更全面地反映测站附近有效监测范围内的土壤湿度信息,有效改善采用单颗卫星反演时反演过程极易出现异常跳变的现象,提高了突发性降雨时段的土壤湿度反演精度。②当组合卫星数达到6颗以上时,其反演结果与土壤湿度参考值之间的相关系数均大于0.9,相对于单颗卫星至少提高了20.8%。