基于优化背景值的MGM(1,m)模型在建筑物沉降监测中的应用

根据MGM(1,m)模型的基本建模原理,发现了模型背景值的构造形式对模型精度存在影响,从传统MGM(1,m)模型背景值构造形式的角度对其进行改造,重新构建灰色MGM(1,m)模型背景值。通过实例分析,改进后的灰色MGM(1,m)模型相较传统的MGM(1,m)模型,在精度方面有了很大的提高。     

残差自适应回归MGM(1,n)

鉴于MGM(1,n)在预测过程中,不同变量的拟合及预测残差差距较大,本文将自适应回归模型引入到不同变量的残差估计中,对整体的残差起到平滑的作用,从而抑制了残差的上扬趋势,经过实例分析,残差自适应回归MGM(1,n)的预测精度得到了明显的提高。     

时滞MGM(l,m)模型及其在测量中的应用

针对常规的灰色模型没有考虑时滞效应的问题,本文在新近发展的MGM(1,m)模型中引入时滞项,建立了带时滞的MGM(1,m)模型.研究了这种模型的参数估计、模型检验和预报的等有关问题.结合具体的边坡监测实例,证明了上述方法是一种行之有效的变形分析和预报的方法.     

pGM(1,1)模型在变形预测中的应用

分析了GM（1，1）模型在背景值取值上的不足，提出了一种基于权的pGM(1,1)模型，通过模型比较，表明pGM(1,1)模型具有更好的预测效果，并用该模型进行了实际的变形预测。     

TLS优化的MGM（1,n）模型在高层建筑变形预报中的应用

观测误差影响最小二乘解算MGM(1,n)模型的灰色参数精度,基于此,现采用总体最小二乘（Total Least Square,TLS）对MGM(1)模型的灰色参数解算进行优化。通过对某高层建筑沉降变形观测数据进行试算,结果表明,TLS优化后的MGM(1)模型能够有效地提高预报精度。     

灰关联GM(1,N)模型在建筑物沉降分析中的应用

针对建筑物沉降变形中各监测点相互关联、相互影响的情形,可将灰色系统理论中的GM(1,N)模型引入到建筑物沉降分析中。本文利用灰度关联方法确定相关因子的关联度,建立GM(1,N)模型,并与回归分析、GM(1,1)模型比较。通过工程实例,得出灰关联GM(1,N)模型预测精度明显高于另外两种模型,验证了该模型在进行建筑物沉降分析预测中应用的可行性。     

pGM(1,1)模型在变形预测中的应用

分析了GM(1,1)模型在背景值取值上的不足,提出了一种基于权的pGM(1,1)模型.通过模型比较,表明pGM(1,1)模型具有更好的预测效果,并用该模型进行了实际的变形预测.     

运动目标轨迹数据管理的关键技术研究

运动目标的轨迹数据是空间信息系统的重要信息源。只有科学、合理、高效地利用运动目标的轨迹数据,才能更好地掌握多维动态变化的空间环境。在介绍运动目标的概念和国内外研究现状之后,重点分析运动目标时空数据模型(Moving Objects Spatio-temporal Data Model)相关的关键技术并提出相应的解决方案。     

运动目标轨迹的时空数据模型研究

运动目标的轨迹数据是空间信息系统的重要信息源。只有高效地利用运动目标的轨迹数据,才能更好地掌握多维动态变化的空间环境。本文在介绍了运动目标的概念和国内外研究现状之后,重点分析了运动目标的建模、存储、查询、索引及可视化技术并提出相应的解决方案。最终,实现对运动目标全过程的管理和应用。     

多变量灰色模型MGM(1,n)在变形预测中的应用

本文将单点的ＧＭ（１,１）模型扩展为多点的ＭＧＭ（１,ｎ）模型,通过建筑物沉降实例与分析,表明ＭＧＭ（１,ｎ）模型的精度高于分别单独使用ＧＭ（１,１）模型的精度。     

一种运动目标轨迹提取方法

针对基于区域的轨迹提取类算法的时间复杂度高等问题,该文提出了一种基于FasterR-CNN的目标轨迹提取方法,利用FasterR-CNN能够快速定位和特征提取的原理,快速确定目标区域,在此基础上提出距离加阈值限制的方法进行目标关联。该方法不要求FasterR-CNN模型具有较高目标框回归精度,且充分利用卷积神经网络能够高效提取图像特征的特点,在保证轨迹提取精度的同时,降低了目标区域确定的时间和数据量,且通过均匀抽取和目标参考点关联的方法,进一步降低了目标关联的时间。与基于Camshift的区域提取法对比,在时间复杂度基本一致的情况下,大大提高了复杂背景和复杂纹理条件下目标区域确定的准确率,使得轨迹提取率更高。     

灰色GM（1，1）模型在非采动沉降预测中的应用

为了研究地表非采动沉降预测的规律,介绍了灰色预测理论模型的建模方法与模型精度评定方法,阐述了采用GM（1,1）等维新息模型进行沉降数据分析的特点,结合水文资料分析引起下沉的主要原因;并以某工程的沉降观测实例,证实了非采动沉降监测中采用灰色GM（1,1）预测方法的可行性。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

基于灰色GM（1，1）的优化模型预测大坝形变

以往的灰色GM （1,1）优化模型往往忽略了灰度模型随时间变化的灰色量和灰色过程这一重点,其中的灰色作用量是时间的线性函数,传统的模型把其看为不变常数,而对时间的精度影响没做深层次的考虑,建模时较少的考虑时间相关度和灰作用量的影响,势必会影响预测精度,造成模型效果欠佳,故本文尝试对这两个因素分别建立优化GM （1,1）模型,即引入基于时间的加权R-GM （1,1）模型和用灰作用量b1＋ b2 k替代b的K-GM （1,1）模型,并对实例数据进行分析,取得了较好的拟合与预测能力。     

时变参数PGM(1,1)变形预测模型及其应用

在GM(1, 1)模型的基础上,考虑参数随时间的变化,用多项式逼近模型参数,同时针对GM(1, 1)模型背景值取值方法的不足,引入背景值最佳生成系数,建立了时变参数PGM(1, 1)变形预测模型。多项式中的待定系数采用最小二乘法确定,背景值最佳生成系数采用搜索法确定。实例计算表明,时变参数PGM(1,1)变形预测模型具有较高的模拟精度和预测精度, 适合用于变形体的变形预测。     

GM(1,1)模型在建筑物变形预测中的应用

通过对某楼群变形预测的实例,阐述了如何利用现场采集的数据信息,按灰色理论的ＧＭ（１,１）模型建立预测模型,对建筑物变形进行预测预报的方法。     

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。     

改进的GM(1,1)模型及其应用分析

GIM(1)模型是一种改进的GM(1,1)模型。文章在介绍两种模型的基础上,分别进行实例计算和分析,得出了GIM(1)具有更大的优越性,具有预测结果精确,对时间的依赖性较小的特点。     

GM(1,1)模型反演预测方法在沉降预测中的应用

为了研究提高GM(1,1)模型预测精度的方法,本文首先讨论了GM(1,1)模型对初值的不敏感性和拟合预测序列增长率的恒定性;其次,根据GM(1,1)的性质提出新陈代谢反演预测的方法;最后,通过工程实例对比不同模型的预测精度。结果表明:GM(1,1)反演预测方法具有很高的预测精度,适用于沉降变形预测。