灰色模型参数估计改进及其在变形预报中应用

经典的灰色模型在建模过程中,参数估计是依据最小二乘准则得到的。当观测数据中存在着较大随机波动时,导致系数矩阵中存在较大误差,这种估计方法可能影响参数的可靠性,进而影响该模型应用。针对这一问题,本文提出运用整体最小二乘法改进估计参数,该方法在解算法方程时,顾及了系数阵和观测向量同时存在的误差,因而可以改善参数的估计精度,提高模型预报精度。最后,结合矿山测量工程实际,证实了这种参数估计方法能提高老采空区残余沉降的预测精度。     

总体最小二乘在沉降监测数据中的应用研究

总体最小二乘估计方法顾及系数矩阵和观测向量误差,具有最小二乘估计方法无法对系数矩阵进行改正的独特优势,在数据处理中具有广泛的应用.基于此,对目前总体最小二乘估计中的参数求解方法和精度提升方法进行了阐述,之后采用路基沉降工程实例,对最小二乘和总体最小二乘预测精度进行比较分析.实验结果表明,总体最小二乘算法的精度更高.     

顾及起算数据误差的多点灰色模型在变形监测中的应用

分析了多点灰色模型利用最小二乘估计原理进行参数解算时无法顾及起算数据误差带来的影响。将混合最小二乘与多元整体最小二乘应用到多点灰色模型的参数估计中。首先利用QR分解将起算数据中常数列和误差项相分离;采用最小二乘和多元整体最小二乘分别进行解算建模;最后通过实验证明了优化的MGM(1,n)模型具有较高的建模和预测精度,能够为精密工程变形分析提供一定的参考和借鉴。     

基于长度修正的预测算法优化

当自变量之间存在多重相关性时,若利用最小二乘法建立预测模型,参数估计会存在误差。若应用偏最小二乘回归算法建立预测模型,可以克服自变量之间多重相关性问题,计算结果更为可靠。长度修正的偏最小二乘回归算法从预测的角度对偏最小二乘模型进行了改进。以芹山水电站的水平位移预测为例,验证了长度修正的偏最小二乘回归法比普通偏最小二乘回归法在预测方面效果更好。     

二次曲面与最小二乘配置的组合模型在GPS高程异常拟合中的应用

在工程实践应用中,为了有效利用GPS高程数据,减少对传统水准测量的依赖,提高GPS高程异常的拟合精度便显得十分重要。为此,本文在介绍二次曲面拟合和最小二乘配置拟合基本原理分析、算法过程推导的基础上,提出了一种新的高程异常拟合方法。首先在二次曲面拟合的基础上,计算得到原始观测数据与拟合数据之间的残差序列,然后采用最小二乘配置模型对包括二次曲面拟合模型误差的综合误差进行优化减弱,最后得到新的高程异常。通过实例,将二次曲面拟合法,最小二乘配置法与文中提出的新方法进行比较分析。结果表明：新的组合方法的拟合预测精度要明显优于最小二乘配置及二次曲面拟合。     

混合LS-TLS的GM（1,1）模型在基坑水平位移监测中的应用

通过分析传统GM（1,1）模型的局限性,提出了混合整体最小二乘法（混合LS-TLS）的GM（1,1）模型,并将其应用于宁夏某深基坑水平位移的监测中。同时,将此模型与最小二乘法（LS）的GM（1,1）模型及整体最小二乘法（TLS）的GM（1,1）模型进行了对比,分析了3种模型所求水平位移的预测值。结果表明,混合LS-TLS的GM（1,1）模型更符合工程实际,预测精度更高,在深基坑水平位移监测中具有一定的实用性。     

总体最小二乘拟合问题求解方法的比较研究

目前对总体最小二乘求解方法的研究,出现了奇异值分解的总体最小二乘法、顾及自变量和因变量误差的总体最小二乘法及正交总体最小二乘法.在模型推导的基础上,本文对3种总体最小二乘法在直线和平面拟合中求解的参数及其精度进行了分析,通过与最小二乘法的比较表明,总体最小二乘法得到的拟合结果更加稳健,且以正交总体最小二乘法的拟合结果为最优.     

高铁桥墩沉降预测方法研究

提出一种自回归模型参数的稳健最小二乘估计方法,分别采用最小二乘和稳健最小二乘的自回归模型、自适应过滤法及灰色预测法对高铁桥墩沉降数据进行模拟与预测,比较每种方法的优缺点及存在的不足,结合工程实际数据表明,本文提出的方法更适用于高铁桥墩沉降预测。     

正交最小二乘曲线拟合法

在最小二乘曲线拟合中,自变量的误差常常被略而不计,提出采用正交最小二乘法拟合曲线。该方法以正交距离残差平方和极小为准则,同时顾及了因变量和自变量的误差;基于间接平差原理详细推导了相关模型和算法。实际计算表明,采用正交最小二乘法拟合曲线,拟合效果整体上优于普通最小二乘法。     

基于ARMA模型的基坑沉降监测预测研究

应用ARMA模型对地铁车站基坑监测数据进行预测分析。在参考利用已有的ARMA模型算法进行预报分析的基础上,联合最小二乘原理对模型算法进行改进,结合基坑工程算例,验证了新模型算法的可行性、有效性及稳定性。说明改进之后的新模型算法较老模型算法提高了预测精度且提升了运算效率。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

病态乘性误差模型的加权最小二乘正则化迭代解法及精度评定

针对乘性误差模型的病态问题,引入Tikhonov正则化方法,导出了病态乘性误差模型的加权最小二乘正则化解.顾及加权最小二乘正则化法在求解病态乘性误差模型时,参数估值与观测值之间存在复杂的非线性关系,本文利用一种无需求导、通过加权的方式便能够计算非线性函数的均值和均方误差阵的比例对称采样的无迹变换(scaled unscented transformation,SUT)法,对病态乘性误差模型进行精度评定.模拟算例和真实算例结果表明,本文提出的加权最小二乘正则化迭代解法可以有效减弱模型的病态性,基于SUT法的精度评定方法能够得到比已有方法更为合理的精度信息,具有较强的适用性.     

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。     

移动最小二乘法在高程异常拟合中的应用

高程异常的求取一直是测绘领域关注的问题,常用的拟合方法都是基于最小二乘法进行。文中应用移动最小二乘法进行高程异常拟合,通过工程数据验算,拟合精度较其他常规模型有一定提高。同时,针对移动最小二乘法中的半径确定问题,提出了“固定点数法”,经过验证,该方法能够满足拟合精度要求。      

顾及设计矩阵随机误差的最小二乘组合新解法

提出了一种顾及设计矩阵随机误差的最小二乘组合解法(combined least square,CLS),该算法适用于整体最小二乘(TLS)的参数估计。给出了整体最小二乘平差新算法下的精度评定公式,解决了传统TLS解算方法难以进行严密的精度评定的难题,并通过算例验证了新算法的可行性和正确性。     

基于IPSO-LSSVM模型的公路路基沉降预测

为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。     

基于Partial-EIV模型的TLS姿态估计方法

推导了基于乘性姿态角误差的观测方程,顾及其系数矩阵也含有误差的特点提出一种利用整体最小二乘原理估计姿态参数的新思路。该问题的系数矩阵中同时存在随机元素和固定元素且存在结构性特征,故引入Partial-EIV模型,设计了一种符合其系数矩阵结构特点的新模型。最后通过两组仿真实验将其与已有姿态估计方法进行对比,得出结论:基于Partial-EIV模型的整体最小二乘解法解算精度高于常规最小二乘法;其解算效果与基于乘性姿态角误差的最小二乘法基本一致。表明本文提出的方法正确有效。     

组合模型在沉降预测中的应用研究

预测建筑物沉降的方法有多种,高精度预测才是关键。本文在利用灰色模型和泊松曲线模型进行预测结果的基础上,利用最小二乘法原理,建立加权组合预测模型与变权组合预测模型,求得相应规划模型的权系数,通过对预测结果进行分析比较,认为组合预测模型能提高预测的精度。     

非等时空距GM(1,1)模型在建筑物沉降预测中的应用

以灰色理论为指导，GM（1，1）模型为基础，提出用最小二乘原理对灰色模型进行优化，大大提高非等时距GM（1，1）模型的预测精度，并对某海堤监测数据进行预报，检验结果表明预测值达到很好精度，由此证明，此方法有较大的应用价值。     

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。