平稳自回归模型在高层建筑沉降预测中的应用

首先介绍了平稳自回归模型-AR(p)模型,然后将该模型应用到高层建筑沉降预测实例中,通过沉降实测数据与预测数据进行对比分析,其结果均满足精度要求,表明:AR(p)模型在高层建筑的沉降预测中具有很好的适用性。     

利用改进灰色模型的钟差预报算法及其精度分析

灰色模型在钟差长期预报中虽具有一定的优势,但是预测的精度还有进一步提高的可能。在本文中,采用经过数据预处理和残差修正对一阶灰色模型进行了改进,再对GPS卫星钟差进行不同时间尺度上的预报。算例利用IGS提供的精密钟差产品,建立了一个基于改进灰色模型的预报算法,改进灰色模型的预报精度较传统的二次项模型有了很大的提高,且预报结果的收敛性也获得了一定程度的改善。     

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。     

基于GM(1,1)灰色模型卫星钟差短期预报的精度分析

为了提高GPS快速单点定位的精度,必须及时获得高精度的精密星历。基于卫星钟差变化的灰色特性,建立GPS卫星钟差GM(1,1)灰色模型,对卫星钟差进行短期预报。计算结果表明,灰色模型GM(1,1)用于卫星钟差短期预报,只需要使用少数几个历元的已知卫星钟差进行建模,不仅减少建模数据量,提高建模速度,而且预报精度较高,可以满足GPS快速单点定位的实际需要;并对卫星搭载的原子钟精度进行分析,得出基于灰色模型GM(1,1)分析的Rb钟的精度和稳定性要优于Cs钟。     

沉降监测数据的非等间距GM(1,1)模型插补应用

科学、准确、及时地分析和预报建筑物的沉降状况,对其施工和运营极为重要,沉降监测的研究成果也是检验设计和施工的重要手段。由于自然环境的多变性、施工现场的复杂性等各种主、客观因素影响,监测数据有时会出现间断,为了分析沉降规律,需要对缺失数据进行插补。考虑到沉降监测非等时间间隔的特点,建立非等间距GM(1,1)模型及优化背景值的GM(1,1)模型,应用于沉降监测缺失资料的插补工作中,取得了较满意的监测间断数据插补值。     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

利用MorPAS对上黑龙江成矿带进行金成矿预测

上黑龙江成矿带主要由早-中侏罗世河流-湖泊-洪积相含煤碎屑岩组成,目前已发现多个中小型矿床,在该区进行成矿预测意义重大。文章利用MORPAS成矿预测系统,采用证据权重法进行了成矿预测工作,在充分研究区内已知矿床的成矿规律基础上,以1：257Y地质图为背景,物化探异常分析子系统对1：20万区域化探数据进行C—A分形确定异常下限,综合现有的找矿标志,提取有利的成矿要素,进行针对处理,制成上黑龙江成矿带MORPAS金成矿预测分析图,提供成矿靶区,为森林高覆盖区提供找矿有利单元。     

灰色模型分析法在高层建筑物变形监测预测中的应用

在变形监测过程中,获取监测资料以后,通过对高层建筑物观测资料进行研究分析,可以掌握地基随时间的沉降规律,预测其下一步的变形趋势,并为可能发生的变形做好必要的准备,减少因非预计沉降带来的损失。灰色模型分析法是一种常用的数据处理及预测分析方法,本文在简单介绍了灰色模型分析法的基础上,利用灰色模型分析法预测了变形监测数据,并得出了有益结论。     

神经网络辅助的GPS/MEMS-INS组合导航算法

在GPS/MEMS-INS(Micro-electromechanical System-Inertial Navigation System)组合导航中,当载体处于恶劣环境下或者载体处于大机动运动情况下,会导致GPS失锁。此时单独工作的低精度MEMS-INS会由于其位置和速度误差随着时间的变化而迅速积累最终无法导航。针对此问题,设计了一种结构简单易于实现的神经网络辅助的GPS/MEMS-INS组合导航系统。通过模拟实验,与标准卡尔曼滤波(KF)和无迹卡尔曼滤波(UKF)框架下组合导航相比,所提出的结构简单容易实现的神经网络辅助的组合导航系统具有较高的稳定性,并且组合导航整体过程中经纬度与速度精度均提高了65%左右。     

BP神经网络在高程异常反演预测中的应用分析

利用C#语言编制了BP神经网络反演预测程序,基于具有代表性地区的高程异常数据,对BP神经网络在高程异常反演预测中的应用进行了分析。结果表明,本程序交互界面良好,具有很好的通用性;同时,在高程异常反演预测中取得良好的效果,说明神经网络在差异较大的数据反演预测方面仍具有较强的优势。