首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 171 毫秒
1.
利用120°E、45°N上空的2008年年积日101~150d时间段内共600个电离层格网TEC数据,分析了该点上空电离层TEC参数的混沌特性,发现其关联维数为2.263 2,嵌入维数m=5,最大Lyapunov指数为0.083 3,该TEC时间序列具有混沌的特征,存在混沌现象。利用加权一阶局域法对TEC时间序列进行预测时,提出了利用夹角余弦和聚类分析方法对相似相点进行选择的方法,结果表明,在5维相空间中,该方法除在第4分向量略不及欧氏距离和夹角余弦方法外,其余4个分向量均优于后两种方法。利用该方法选择的相似相点进行一阶局域预测时,得到的标准差STD(0.618TECU)和RMS(0.623TECU)均小于欧氏距离和夹角余弦得到的STD和RMS,说明该方法可以准确地搜索到与基准点相关性更强的相似相点,预测精度更高。  相似文献   

2.
混沌理论支持下的桥梁变形监测研究   总被引:1,自引:0,他引:1  
针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。  相似文献   

3.
针对变形监测数据混沌序列的特点,提出一种基于Volterra级数的混沌时间序列变形预测模型。经过相空间重构,确定合适的嵌入维数和延迟时间,输入Volterra级数自适应预测模型,然后得到变形量的预测值。将预测值与实际值及其他预测模型的预测结果进行比较,发现基于Volterra级数的混沌时间序列预测模型精度较高,在变形预测上是可行的。  相似文献   

4.
混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。  相似文献   

5.
混沌的离散情况常常表现为混沌时间序列,而混沌时间序列中蕴含着丰富的系统的动力学信息。本文基于某桥梁的实际观测的沉降时间序列用自相关法求取时间延迟t、用Cao方法求取嵌入维数获得相空间重构参数,然后用最大Lyapunov指数法进行时间序列的混沌特性识别,证明桥梁沉降运动系统具有混沌特性。最后分别使用加权一阶局域预测法、Volterra级数自适应预测法以及RBF神经网络预测模型进行预测,比较了几种方法的预测精度,得到RBF神经网络模型在短期预测中具有较好的性能。  相似文献   

6.
跨海大桥因船体撞击、移动车辆荷载、河水冲刷等因素的作用,桥墩的沉降变形表现为非线性特征。因此,首先对桥墩的沉降时间序列求取延迟时间τ和嵌入维数m,并采用最大Lyapunov指数证明该时间序列具有混沌特性;然后根据求取的参数建立加权零阶局域预测模型和加权一阶局域预测模型分别对沉降时间序列进行预测。算例结果表明,加权一阶局域预测模型具有较高的预测精度,且混沌局域预测法不适合做长期预测,但可做短期预测。  相似文献   

7.
在时间序列模型中,等时间序列模型建模过程简单,预报准确,但观测时间是不等间隔的;三次样条插值可以对一定的区间进行有效内插,得到等时间间隔的拟合数据。针对两种模型的优点,该文结合等时间序列模型和三次样条插值进行高铁桥墩的沉降预测。首先通过三次样条插值将数据进行等时间间隔处理,然后利用得到的数据建立时间序列模型,最后通过三次样条插值求得相应观测时间的预测值。以某高铁桥墩沉降的观测点为例,分别进行原始数据时间序列建模以及三次样条插值和等时间序列组合模型建模。实验结果证明,组合模型的预测精度更高。  相似文献   

8.
相空间重构是混沌时间序列分析及预测的前提。针对地铁建设中地表沉降变形监测的弱信号数据处理问题,该文引入了混沌理论,通过采用自相关函数法和C-C法对比求得时间延迟τ,运用G-P方法和Cao方法求取嵌入维数m,从而对时间序列进行相空间重构;并通过求取最大Lvyapunov指数对时间序列进行混沌特性的判定识别。研究结论表明,系统的混沌特性,在研究地铁变形监测、运用混沌理论建模预测以及变形监测数据处理方面是值得重视的。  相似文献   

9.
基于相空间重构与支持向量机预测滑坡位移的一种新方法   总被引:1,自引:0,他引:1  
提出了一种基于相空间重构与支持向量机预测滑坡位移的新方法.首先,以滑坡位移时间序列的混沌特性为基础,对其应用互信息法计算最优时间延迟;然后,利用小波变换对滑坡位移序列数据进行频域分解,应用Cao氏方法对分解后的每个分量序列分别计算其最佳嵌入维数,在此基础上,对各个分量序列进行相空间重构,利用支持向量机对每个分量单独进行建模预测;最后,将各分量预测结果进行小波重构,得到最终预测结果.实例证明,该方法可以在滑坡位移预测中获得有效的应用.  相似文献   

10.
利用时间序列分析方法中的二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上建立固定维数的动态GM(1,1)灰色模型进行沉降预测,同时利用Kalman滤波方法进行沉降预测,结合实际算例结果表明,这两种模型均能够较好地进行预测,证明了这两种预测模型均具有一定的可行性和有效性,并对两种预测模型在沉降监测预报中的应用进行了比较和分析。  相似文献   

11.
针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接...  相似文献   

12.
陈健 《四川测绘》2011,(2):57-59
运用混沌理论研究基坑变形破坏的演变机理,对基坑变形观测数据序列进行相空间重构,将若干固定时间延迟点上的测量作为新维处理,形成相点,按照关联维数方法求算吸引子维数,提取和恢复基坑系统原有的规律。实例分析表明,混沌理论为基坑预测研究提供了新的途径。  相似文献   

13.
不等时距灰色模型在深基坑变形预测中的应用   总被引:1,自引:0,他引:1  
传统的灰色模型多适用于等间距序列监测数据的模拟预测,而实际上由于各种原因往往使所获得的监测数据是不等时距的。研究了基于不等时距灰色预测方法的深基坑变形预测模型,应用深基坑工程变形的实际监测资料,对其预测精度及可行性进行了充分的分析比较与论证。结果表明,不等时距灰色模型预测深基坑变形的精度及可信度较高。  相似文献   

14.
A global positioning system (GPS)-based online control and alarm system (GOCA) for monitoring of three-dimensional movements has been developed at the Karlsruhe University of Technology. The GOCA hardware consists of an array of GPS sensors and communication units to be placed in the monitoring area. The hardware-dependent control software communicates with the GPS sensors and provides the GPS baseline data and covariance information to the GOCA deformation analysis software. The GOCA center, which comprises both the control software and the GOCA software, may be linked – for example, over a long distance – to another personal computer (PC) that serves as a remote control station. GOCA is able to provide the full capabilities of classical deformation analysis online (with stations grouped into stable points and moving object points). Both types of points may be occupied either continuously or over short periods at different times. The object points are determined with respect to the stable points. A network adjustment is performed for each interval of data collection, and the coordinate and covariance information may optionally be transformed into a specific reference system (e. g., the building system). Unstable reference points are to be detected by statistical tests. The estimated object point time series are filtered with respect to gross errors using robust estimation techniques. Online filters are used to smooth the time series data of critical displacements and to predict other deformation functions. The time series data, as well as prediction results, are displayed graphically for each object point. An example concerning the online monitoring of a slag heap in a coal-mining area is included. ? 2000 John Wiley & Sons, Inc.  相似文献   

15.
基坑变形监测的各种数据一般是以时间间隔构成的随机序列,用时间序列分析的方法进行监测数据的建模与预报是有效处理监测数据的一种手段。本文以基坑监测中有代表性的监测数据-锚杆拉力监测为例,用时序分析的方法对监测数据处理、分析、建立适合的模型以及对数据进行预报等过程进行研究和探讨。  相似文献   

16.
变形监测数据处理的方法有很多,但这些方法对数据量及数据的采集方式有特定的要求,或者计算过程复杂。针对这些问题,提出了基于变窗宽核加权估计的变形趋势拟合方法,即先用较大窗宽的核加权估计去拟合变形的整体趋势,再用较小窗宽的核加权估计去拟合残余变形量——局部趋势。并针对这一新方法,提出了一种新的窗宽计算方法,即时序间隔标准差窗宽。以某大坝某一监测点32期的高程变形拟合为例,比较了不同的窗宽以及不同变窗宽组合的核加权拟合效果。结果表明,采用时序间隔标准差窗宽的核加权拟合比经验窗宽的拟合精度高;而基于变窗宽的核加权拟合比前两者精度更高。  相似文献   

17.
岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型(GPR-TIPM);将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。  相似文献   

18.
浅谈基于InSAR的南票煤矿开采沉陷区沉降量外业检核   总被引:1,自引:0,他引:1  
经过时间序列InSAR技术处理后,得到监测时间段内南票区的地面形变平均速率、累计形变量、时间序列形变量,确定沉降区域。本文通过南票煤矿开采沉陷区基岩点、基本水准点、监测点布设以及这些点测量工作,提出山区采用水准测量和GPS测量联合方法,实现沉陷区沉降量核查。  相似文献   

19.
基于全站仪非接触自动监测巷道围岩变形及分析   总被引:1,自引:0,他引:1  
论述全站仪结合计算机组成巷道围岩变形,自动量测及分析系统的原理、功能及其开发应用,提出全站仪自由设站3维坐标非接触量测、单站独立坐标测线等围岩变形量测的理论和方法,并建立相应的数学平差模型,使围岩变形非接触监测具有更好的可靠性和精度。通过对全站仪观测数据后处理软件的设计和开发,在机载软件控制下,无需进行对中、量仪高,全站仪可自动完成对目标点的监测,由计算机进行所有的数据处理、回归分析和预报,为巷道施工提供及时的信息反馈。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号