建筑物變形監(jiān)測數(shù)據(jù)中存在著隨機干擾和不確定性因素,而單一的數(shù)學模型預測結果精度較低,制約了變形預測的準確性。針對這一問題,文中采用了一種自適應Kalman濾波的灰色時序組合預測模型。首先,通過自適應Kalman濾波算法對原始數(shù)據(jù)進行去噪處理,動態(tài)的去除數(shù)據(jù)內部的隨機干擾誤差;然后,將灰色模型（GM模型）與時間序列分析模型（AR模型）相結合,得到擬合時間序列中的沉降量趨勢項和沉降量隨機時間序列剩余項,生成一種非線性組合模型;最后,對變形監(jiān)測數(shù)據(jù)進行整理預測,并將該預測模型應用于建筑變形工程實例中,與GM（1,1）預測模型、GM（1,1）-AR預測模型通過平均殘差、殘差的方差和后驗差比值進行對比分析。結果表明:該模型后驗差比值可達到0.045 1,所得數(shù)據(jù)結果明顯減小,預測精度顯著提高,結果更加準確可靠。 

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1 自適應Kalman濾波的GM(1,1)-AR預測模型
    1.1 自適應Kalman濾波
    1.2 灰色GM(1,1)模型
    1.3 時間序列AR(p)模型
    1.4 組合預測模型建立過程
2 實例分析
    2.1 自適應Kalman濾波去噪
    2.2 模型預測與精度評定
3 結 論


【參考文獻】：
期刊論文
[1]小波-時序組合模型在地鐵變形監(jiān)測預測中的應用研究[J]. 劉江,苗昌奇,陳柳陽.  測繪與空間地理信息. 2018(11)
[2]動態(tài)灰色-時序模型在建筑物沉降預測中的應用[J]. 田振凱,李瑞海,許彥國.  測繪與空間地理信息. 2018(10)
[3]基于Kalman濾波的GM（1,1）-AR模型在高層建筑物沉降變形分析中的應用[J]. 陳晨,魏冠軍,寇瑞雄,高志鈺.  測繪工程. 2018(10)
[4]改進極限學習機的不同類型滑坡位移預測[J]. 高彩云,高寧.  西安科技大學學報. 2018(04)
[5]基于方差補償自適應Kalman濾波的ARMA與PSO-SVM模型變形預測[J]. 容靜,劉立龍,康昊華,李松青,周呂.  大地測量與地球動力學. 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神經網絡的急傾斜煤層耦合致裂方案優(yōu)化[J]. 張磊,劉小明,來興平,高語蔚,崔峰,楊毅然.  西安科技大學學報. 2018(03)
[8]改進灰色人工神經網絡模型的超高層建筑變形預測[J]. 段明旭,邱冬煒,李婉,徐偉,王東波.  測繪科學. 2017(04)
[9]卡爾曼濾波-AR模型在大壩變形預測中的應用[J]. 謝榮暉,鄭東健.  人民黃河. 2017(02)
[10]灰色預測與Kalman濾波在建筑物沉降變形分析中的應用[J]. 周呂,文鴻雁,韓亞坤.  測繪科學. 2014(04)

碩士論文
[1]基于小波去噪—灰色預測混合模型在變形監(jiān)測中的應用研究[D]. 譚超.西北大學 2016
[2]基于經驗模態(tài)分解的動態(tài)變形數(shù)據(jù)分析模型研究[D]. 錢榮榮.中國礦業(yè)大學 2016
[3]基于小波分析的自適應卡爾曼濾波在地鐵變形監(jiān)測中的應用[D]. 文小勇.長安大學 2015
[4]自適應卡爾曼濾波在變形監(jiān)測數(shù)據(jù)處理中的應用研究[D]. 李奕.成都理工大學 2012



本文編號：3655910