С����Kalman�˲������GPS����̽�����޸��е�Ӧ��

??????С????????????GPS???????????????????????????????ж????????????????????Kalman??????????????????????????????????????????????????и???????????????÷?????С???????????????????????????????????????????????????????????????     

�˼�ģ��������GM(1,1) ����Ԥ�⽨ģ

????GM(1,1)?????????????????????????????????????????GM(1,1)?????????????????????????GM(1,1) ??????GM(1,1)??PGM(1,1)?????GM(1,1)????????????б???????????????????????GM(1,1)????????????     

����Kalman�˲���BP�����緽���ڴ�ӱ���Ԥ���е�Ӧ��

??????????????BP?????緽??????????ι???????????????????????????????BP????????,???????ж?????????С????????????????С????????,???????????????????????????,?÷??????к??????????????????????     

HHT������IGS����վʱ�����з����е�Ӧ��

???t????????????????????????????2000-2006?????????????У?????????????????????????????????????????????仯?????в???????????????仯???????-0.533 mm/a??-2.083 mm/a?????????????Hilbert?任????????Hilbert?????????-???-??????Hilbert?????????????????????????????????????3 cycle/a????????????????????????????????351???????????????????????仯?????????????н???EMD????????????sym6??db8С???????????б??????????EMD????????????????????????EMD??????????и??????????????????????     

����Vondrak�ֲ�̽��Ŀ���EKF�㷨��GPS�����е�Ӧ��

???????Vondrak?????????????EKF??,???????GPS??????λ??????????????EKF??????????????????Vondrak??????????????????μ????EKF???????????????д???????λ????????????????EKF???????????????????????д???????????????EKF????????????????д?????????????????????????????????????п????????????????????Ч???     

���������ع鼰���ڱ��η����е�Ӧ���о�

??????????????????????????????????????????????????????????????????????????????????????????л?齨???????????????÷??????????????????????????????????????????????????????и????????????     

GM(1,1)模型在建筑物沉降量预测中的应用

根据建筑物的沉降变形特征 ,引用GM (1,1)建模思想来建立沉降预测模型。利用较少的前期观测数据建立模型来预测建筑物最终沉降量 ,然后据此判断其是否满足建筑物的变形要求 ,以便较早地提出工程防治措施。     

GM(1,1)预测效果数值试验

采用不同类型原始数据对传统GM(1，1)进行了预测效果数值试验，然后通过对预测结果及传统GM(1，1)基本思想进行深入分析提出传统GM(1，1)存在的问题，并提出了相应的改进思路。     

���ڳ��������ƽ̨�IJ��н⼼�����������������е�Ӧ��

???????????????????н?????????????????????е???????????漰??????????л?????????????????????????????????????λ????????С????????,?????OpenMP??MPI??????л??????????Ч???     

ͬʱ����x(1)(1)��x(1)(n)ΪGM(1,1) ��ģ��ʼ������Ԥ�ⷽ���о�

????GM(1,1)???????????????????о????????????????x⁽¹⁾(1)??x⁽¹⁾(n)??????????GM(1,1)??????????????????x⁽¹⁾(1)??x⁽¹⁾(n)?GM(1,1)????????????·???????x⁽¹⁾(t)?????????????????1-AGO???е???????????С?????????????????????????????????????????????????????????????????з?????????????????????????????÷?Χ?????????????????????????????????????GM(1,1)????????????????????GM(1,1)????     

非等距GM(1,1)模型在沉降预测中的应用探讨

针对非等距沉降数据序列的建模问题,探讨了3种非等距GM(1,1)模型在沉降预测中的应用。结果显示,加权非等距GM(1,1)模型不适用于具有近似指数趋势的沉降数据,灰线性加权非等距GM(1,1)模型并非真正的非等距模型,模型预测式与时间无关,不能用于沉降预测,而对于笔者所建立的非等距GM(1,1)模型,其拟合函数等同于灰色线性回归组合模型,可用于近似指数趋势的沉降数据。通过实例分析对比了3种非等距GM(1,1)模型的应用效果,验证了上述观点的正确性。     

灰线性加权非等距GM(1,1)形变预测模型

结合加权非等距GM(1,1)模型与线性回归理论,构建灰线性加权非等距GM(1,1)预测模型,并给出对模型预测精度起决定性作用的灰指数v和参数m的优化方法。与加权非等距GM(1,1)模型和线性回归预测模型相比,灰线性加权非等距GM(1,1)预测模型的精度更高,预测有效时间更长,模型的稳定性更好。优化v和m后,灰线性加权非等距GM(1,1)预测模型的实用性、稳定性进一步提高。     

灰色GM(1,1)模型研究关中灌区地下水位变化规律

关中平原的渠灌区地下水位上升是普遍现象,严重时会造成一系列环境水文地质问题。本文通过建立灰色GM(1,1)模型研究了宝鸡峡灌区下游的地下水位变化规律,并进一步预测了其发展趋势。     

�˼���ͬ��ʼ������GM(1��1)���ν�ģ�о�

??о?GM(1,1)???????????????????????????????????????GM(1,1)????????????????Σ?????3′?л???????????????????????????????????RnGM???????????????RnGM????????е????????????GM(1,1)????????????б????????????RnGM???н????????????????????     

GPS/GLONASS��Ͼ��ܵ��㶨λ��������άˮ�������е�Ӧ��

???????GPS/GLONASS ?????????λ??????????????????????????й?????????12??CORS?6 d????????????????COSMIC????????????????????????????GPS???????λ???????GPS/CLONASS ??JP3?????????λ??????????????????????????????????18%??????????10%??     

����GPS��վ����в����е�ARMA��ģ�����о�

??GPS???????в????????????????ARMA?????????佨???????Box-Jenkins??????Pandit-Wu???????????????????????????????????,???в??????????????????????Ч??????????????????????????????Pandit-Wu???????Ч???????Щ,???в??????Box-Jenkins?????????1/3??????????????     

LAMBDA������ CR-InSAR��λ����е�Ӧ��

??????????????????????????????α????????????????????λ?????????????????λ??????????λ????????λ?????????????CR??InSAR??????λ???????????GPS?????????????е???С????????????????????λ??????????????????InSAR???????????????????????????????????????????????????????????????????????????????????????????     

GM(1,1)模型的遗传算法优化及效果检验

对平稳的数据和非平稳数据两种数据序列建立的GM（1，1）模型，分别用加速遗传算法（AGA）和最小二乘法（LSM）对模型参数求解。结果表明：对平稳变化数据序列，两种方法建立的预测模型的拟合优度和预测精度无显著差异；对变化幅度较大的非平稳数据序列，基于AGA的GM（1，1）模型的拟合优度和预测精度高于基于LSM的GM（1，1）模型的拟合优度和预测精度。     

基于GM(1,1)+AR模型的钟差短期预报改进算法研究

针对传统GM(1,1)+AR组合模型的缺点,提出一种可及时更新建模序列和增强数据间相关性的循环式钟差预报模型,在预报过程中根据预报时刻的不同实时调整AR模型阶数。考虑到原始钟差建模序列长度会对预报精度造成影响,分别使用2 h、6 h、12 h和24 h的钟差序列构建模型。实验结果表明,改进模型的预报精度较传统方法有一定提高,且预报结果更稳定;使用不同长度的钟差序列构建模型对预报结果有一定影响,其中二次多项式模型受原始序列长度的影响较大,改进模型受影响较小。     

LMD-GM(1,1)模型及其在变形监测中的应用

将局部均值分解(LMD)方法应用在监测数据中。实验结果表明,LMD-GM(1,1)模型的拟合效果和预测效果比EMD-GM(1,1)模型和GM(1,1)模型好,具有更高的应用价值。