变形数据处理、分析及预测方法若干问题研究

摘要

变形分析及变形趋势预测问题，不仅在工程建设及保障人民生命财产安全方面具有重要意义，就单纯从技术理论的角度而言，它也是一个复杂的系统工程。随着变形监测技术的更新及工程实际的需要，如何引用先进的数学理论和分析方法来深入地了解变形的非线性、复杂性，就是本论文研究的重点所在。 本论文围绕变形监测数据处理的各个环节展开。研究成果和具体内容包括： (1)系统归纳了附加基准法进行监测网平差的理论及计算过程，阐述了用该方法取代经典控制网平差的优越性，研究和完善了附加基准法中考虑起算数据带有误差时的平差理论及方法，并推导出了具体的计算公式及进行了实例验算。 (2)鉴于非线性监测网平差最好能在非线性系统中进行的需求，本论文深入研究了遗传算法的非线性全局寻优特点及不同遗传算子组合对计算的收敛速度带来的不同影响，提出了最优遗传算子组合的确定方法；此外，提出了用单纯形法取代遗传算法中的交叉操作而形成一种收敛速度更快、计算精度更高的混合遗传算法，并用测试函数及非线性控制网平差实例验证了用混合遗传算法进行非线性优化与传统遗传算法相比较具有的优越性。 (3)现代变形数据分析与传统数据处理的重要区别，就是要求建立动态、非线性预报模型。针对动态、非线性的传统人工神经网络建模方法存在的缺陷，本论文研究采用了遗传算法来改进神经网络算法，即用遗传算法来优化网络参数。实例证明：这种改进算法的学习能力很强，可以高精度地逼近训练样本，预测效果好。 (4)Kalman滤波在减弱监测数据受噪声的影响、预测系统未来状态方面具有独到优势。论文根据时间序列分析及Kalman滤波均是建立在递推形式上的动态建模方法的情况，推导出两种方法间的相互转换关系，提出可在噪声统计信息缺失的情况下利用观测数据构造时序分析的新息模型，再利用模型参数推求预测增益矩阵和滤波增益矩阵进而建立Kalman滤波模型和预测模型，从而避免了传统Kalman滤波建模中必须知道噪声统计信息、必须进行复杂的Riccati方程解算的过程。

目录

文摘

英文文摘

声明

第1章绪论

1.1变形监测研究的背景和意义

1.2变形分析与预报的研究现状和进展

1.3变形监测技术的进步对变形监测带来的影响

1.4本论文的主要研究内容

第2章变形监测网的附加基准法平差及稳定性分析

2.1引言

2.2平差的基准问题

2.2.1基准的定义

2.2.2监测网平差基准的选择

2.3用附加基准方程法统一平差方式及进行成果转换

2.3.1用附加基准方程法进行经典平差

2.3.2不同基准条件下平差方式的统一形式

2.3.3不同基准条件下平差成果的相互转换

2.3.4附加基准法在GPS变形监测网平差中的应用

2.4顾及起算数据误差的附加基准平差

2.4.1精密平差中考虑起算数据误差影响的必要性

2.4.2顾及起算数据误差的附加基准法进行独立网平差

2.4.3扩展网参数精度与高级网参数精度的关系

2.4.4顾及起算数据误差的不同基准下的成果转换

2.4.5附加基准法经典自由网平差算例

2.5用附加基准法平差附合网及考虑起算数据误差的影响

2.5.1在附合网平差中考虑起算数据误差的意义

2.5.2用附加基准法平差附合网

2.5.3考虑起算数据误差的附合网平差

2.5.4附加基准法平差附合网算例

2.6监测网稳定性分析

2.6.1多期观测单位权中误差的综合估计

2.6.2图形一致性检验

2.6.3不稳定点搜索

2.7本章小结

第3章混合遗传算法及其在控制网平差中的应用研究

3.1引言

3.2遗传算法及其工作原理

3.2.1遗传算法的工作原理

3.2.2遗传算法的特点及优势

3.2.3改进的遗传算法

3.3改进遗传算法在非线性平差中的应用

3.3.1用遗传算法进行非线性平差的适应函数

3.3.2用遗传算法计算参数估值

3.3.3非线性算法参数的精度估算

3.4算法设计及最优遗传算子的确定

3.4.1非线性回归分析

3.4.2函数的非线性强度

3.4.3遗传算法实验设计

3.4.4算例

3.5用单纯形法对遗传操作进行改进的混合遗传算法

3.5.1无约束条件的单纯形法

3.5.2遗传算法与单纯形法结合的混合算法

3.5.3仿真试验

3.5.4混合遗传算法在控制网平差中的应用

3.6本章小结

第4章改进的神经网络预测模型

4.1引言

4.2神经网络及BP算法

4.2.1神经网络的基本元素

4.2.2 BP网络及其学习算法

4.3用遗传算法改进的BP前馈神经网络

4.3.1遗传算法与BP算法结合的工作原理

4.3.2用遗传算法优化神经网络结构

4.3.3将遗传算法用于神经网络连接权值的训练

4.4神经网络使用数据的预处理

4.4.1数据处理的方法与步骤

4.4.2异常值的定位及剔除

4.4.3数据的变换处理

4.5变形预报的组合预测

4.6实例分析

4.6.1神经网络模型进行变形预测的过程

4.6.2改进的神经网络与普通神经网络预测结果比较

4.6.3用指数平滑法和自回归法预测结果比较

4.6.4组合预测结果分析

4.7本章小结

第5章基于ARMA新息模型的自适应Kalman滤波及预报

5.1引言

5.2向量时间序列分析模型

5.3模型参数的RLS估计

5.3.1模型参数的LS算法及RLS算法

5.3.2向量ARMA模型的模型参数估计

5.4最优递推Kalman滤波器及预报器

5.4.1正交投影原理在Kalman滤波中的应用

5.4.2Kalman最优递推预报器和滤波器

5.4.3 Riccati方程及其解算

5.5渐近稳定的稳态Kalman滤波

5.6Kalman状态空间模型与时间序列模型的相互转化

5.6.1状态空间模型化为ARMA模型

5.6.2将空间状态模型中的两个噪声系统合并成一个MA模型

5.6.3将ARMA模型化为状态空间模型

5.7用ARMA新息模型参数求取∑阵和KP阵

5.8自适应滤波及其在隧道变形分析中的应用

5.9新息模型预报器及其在隧道变形预测中的应用

5.10本章小结

第六章结论与展望

6.1结论

6.2进一步工作的方向

致谢

参考文献

在读期间发表的学术论文与研究成果