改进灰色时序模型在建筑物变形监测中的应用

发布时间：2022-07-04 20:56

　　建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型（GM模型）与时间序列分析模型（AR模型）相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM（1,1）预测模型、GM（1,1）-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。 

【文章页数】：8 页

【文章目录】：
0 引 言
1 自适应Kalman滤波的GM(1,1)-AR预测模型
    1.1 自适应Kalman滤波
    1.2 灰色GM(1,1)模型
    1.3 时间序列AR(p)模型
    1.4 组合预测模型建立过程
2 实例分析
    2.1 自适应Kalman滤波去噪
    2.2 模型预测与精度评定
3 结 论


【参考文献】：
期刊论文
[1]小波-时序组合模型在地铁变形监测预测中的应用研究[J]. 刘江,苗昌奇,陈柳阳.  测绘与空间地理信息. 2018(11)
[2]动态灰色-时序模型在建筑物沉降预测中的应用[J]. 田振凯,李瑞海,许彦国.  测绘与空间地理信息. 2018(10)
[3]基于Kalman滤波的GM（1,1）-AR模型在高层建筑物沉降变形分析中的应用[J]. 陈晨,魏冠军,寇瑞雄,高志钰.  测绘工程. 2018(10)
[4]改进极限学习机的不同类型滑坡位移预测[J]. 高彩云,高宁.  西安科技大学学报. 2018(04)
[5]基于方差补偿自适应Kalman滤波的ARMA与PSO-SVM模型变形预测[J]. 容静,刘立龙,康昊华,李松青,周吕.  大地测量与地球动力学. 2018(07)
[6]Improved grey prediction model based on exponential grey action quantity[J]. YIN Kedong,GENG Yan,LI Xuemei.  Journal of Systems Engineering and Electronics. 2018(03)
[7]基于BP神经网络的急倾斜煤层耦合致裂方案优化[J]. 张磊,刘小明,来兴平,高语蔚,崔峰,杨毅然.  西安科技大学学报. 2018(03)
[8]改进灰色人工神经网络模型的超高层建筑变形预测[J]. 段明旭,邱冬炜,李婉,徐伟,王东波.  测绘科学. 2017(04)
[9]卡尔曼滤波-AR模型在大坝变形预测中的应用[J]. 谢荣晖,郑东健.  人民黄河. 2017(02)
[10]灰色预测与Kalman滤波在建筑物沉降变形分析中的应用[J]. 周吕,文鸿雁,韩亚坤.  测绘科学. 2014(04)

硕士论文
[1]基于小波去噪—灰色预测混合模型在变形监测中的应用研究[D]. 谭超.西北大学 2016
[2]基于经验模态分解的动态变形数据分析模型研究[D]. 钱荣荣.中国矿业大学 2016
[3]基于小波分析的自适应卡尔曼滤波在地铁变形监测中的应用[D]. 文小勇.长安大学 2015
[4]自适应卡尔曼滤波在变形监测数据处理中的应用研究[D]. 李奕.成都理工大学 2012



本文编号：3655910