方差补偿自适应卡尔曼滤波在GPS滑坡监测中的应用研究

卡尔曼滤波是目前处理滑坡监测数据的主要方法。针对传统卡尔曼滤波中动态噪声不准或不容易确定而导致滤波发散的现象,提出用动态噪声的方差阵补偿法对滤波中的方差-协方差误差进行修正,结合三峡实测数据处理,证明该方法能有效地克服滑坡监测数据处理中滤波模型发散的问题。

基于方差补偿自适应卡尔曼滤波的南京铁路隧道沉降变形处理分析

当测量数据中存在粗差时,使用传统卡尔曼滤波对数据进行处理,状态向量的滤波估计值精度和可靠性会明显变差,甚至可能导致滤波发散而无法获得预测结果。通过使用方差补偿自适应卡尔曼滤波进行处理,结果表明能够减弱或消除粗差对数据的影响,从而提高模型的预测精度。结合工程实例分析表明,当观测数据中存在粗差时,使用方差补偿自适应卡尔曼滤波能有效地抵抗粗差的影响,提高数据处理的精度。

基于方差补偿自适应Kalman滤波的沉降监测异常数据方法改进

高速铁路路基沉降变形观测中存在多种数据异常,其中“断高”类型的异常数据尤为特别。本文细致分析了断高数据产生、传统处理方法。针对第二种断高情况,考虑自适应Kalman滤波的改进方法替代“归零法”处理。以某高速铁路路基填筑期间沉降板数据为例,采用方差补偿自适应Kalman滤波模型,比较分析新方法与“归零法”成果,最后运用精度评定指标对该方法预测性能进行评价,并得到良好效果。本文提出的处理断高异常数据的思路以期为今后类似问题提供有效借鉴。

方差补偿自适应卡尔曼滤波模型在基坑变形监测中的应用

卡尔曼滤波是一种能够对动态数据进行快速实时处理,且能够预测分析下一时刻发展变化趋势的理论方法。本文以佛山某工地基坑监测数据为依托,比较系统的讲述了方差补偿自适应卡尔曼滤波的基本原理,采用MATLAB编程实现对基坑位移数据的滤波处理以及下一时刻位移值的预测,取得良好效果,从而证实了自适应卡尔曼滤波对基坑监测数据的滤波与预测方面的可靠性。

基于方差补偿矩匹配的红外图像非均匀性校正方法

红外焦平面阵列的非均匀性校正是其定量应用之前必须解决的关键难题之一。将矩匹配方法引入到红外图像非均匀性校正中,针对其改变图像中地物光谱分布,并可能产生新条带噪声的缺陷,通过比较标准矩匹配前后每个探测元的输出与其均值差异,提出了一种方差补偿的矩匹配改进方法。实验图像校正结果的定性与定量分析表明,方差补偿的矩匹配方法效果理想,在校正图像非均匀性的同时,更大程度上保留了不同地物本身光谱特征的差异。

时间增益补偿在超声相控阵检测中的应用

介绍了时间增益补偿的工作原理,同时提出了方差补偿、阈值补偿、余差补偿三种不同的校正方法;采用此三种方法进行成像显示对比试验,以补偿因声波信号衰减和能量传输引起的增益变化,从而改善相控阵的成像效果。结果表明,在超声相控阵检测中,三种补偿方法均能有效提高缺陷的检测率和分辨率,可增强检测人员对被测件内部缺陷判别的可靠性。

一种基于HIS色彩空间的阴影检测和补偿算法

遥感影像,由于它的获取方便、快捷、信息量大而丰富,广泛应用于各个领域。随着科技的快速发展,我国的遥感技术水平也有大幅提升,而对所要应用的遥感影像的质量要求也越高。但是在成像过程中,受各种因素的限制和影响,影像形成后均会有不同程度的降质现象,阴影就是其中一种。因此,阴影检测是遥感影像重要的预处理工作。本文在对国内外不同的阴影检测算法的缺陷以及处理结果不理想等问题的研究基础上,改进了基于HIS色彩空间的阴影检测和补偿算法并通过MATLAB运行实验,实验表明本文方法增加了阴影区域的正检率,降低了非阴影区域的误检率,补偿之后阴影区域的细节保留的更为清晰,保持了非阴影区域的色彩信息,使得整幅影像的视觉效果更好,算法稳健性较好,检测过程自动化程度高,无需人工干预,可有效应用于城市建筑物阴影检测。

自适应卡尔曼滤波在GNSS沉降监测中的应用

为解决GNSS-RTK实时测量中存在的数据波动性大,难以满足高精度沉降监测需求的问题,通过引入方差补偿自适应卡尔曼滤波,对原始测量数据进行滤波去噪,实现了绝大部分白噪声的过滤和修正。同时,对原始测量数据与滤波数据进行分析比对,滤波前原始数据标准差在7 mm左右,方差补偿法滤波后数据标准差在3 mm左右,实现了两倍多的精度提升。实践证明,方差补偿自适应卡尔曼滤波在抑制滤波发散和提高监测数据精度上具有显著的效果。

自适应卡尔曼滤波法用于变形监测数据处理

卡尔曼滤波作为一种动态数据处理方法广泛应用在变形监测数据处理中。文中针对传统卡尔曼滤波因动态噪声不准或不容易确定影响结果准确度的问题,提出并探讨了方差补偿自适应卡尔曼滤波,并通过传统卡尔曼滤波和自适应卡尔曼滤波对GPS变形监测数据进行处理,其结果表明方差补偿自适应卡尔曼滤波对GPS变形监测具有很好的剔除噪声的作用,效果明显。

自适应卡尔曼滤波的电离层TEC预测模型改进

针对直接使用IGS公布的电离层总电子数进行建模会导致预测模型建立存在偏差,以及使用传统卡尔曼滤波在对大量数据进行预处理时容易导致数据发散,进而降低电离层TEC模型预测精度的问题,提出一种利用自适应卡尔曼滤波的改进方法,使用方差补偿自适应卡尔曼滤波对原始数据进行预处理,再利用小波神经网络完成预测,最后分析模型预报的精准度。实验结果表明,此方法的预测平均精度相对直接使用原始数据建模和传统卡尔曼滤波都有不同程度的提高。

本征正交分解用于屋盖风振分析的模态截断准则

提出一种基于节点方差比用于风力场重建的模态截断准则。所定义的方差比刻画了各个节点上的脉动风力方差的近似程度。方差比的收敛速度不仅取决于本征特征值而且取决于节点的位置。另外,提出以方差补偿技术改善风致响应计算精度。根据风洞试验和高频压力积分技术得到的风荷载,应用所提出的模态截断准则和方差补充技术重建了一球壳屋盖的风力场,讨论了新的模态截断准则在确定屋盖结构风致响应中的有效性。

基于卡尔曼滤波的地表移动变形预测

针对传统卡尔曼滤波模型在地表变形预测中依赖于噪声和数学模型而导致的运行发散问题,提出了一种基于方差补偿自适应卡尔曼滤波的建筑地表移动变形预测分析方法.提出的自适应卡尔曼滤波主要是通过适当的估算和修正系统模型的不确定参数以及噪声的统计特性,来弥补滤波过程中噪声方差的不足.建立了自适应卡尔曼滤波的数学模型,并在Matlab软件上对地表移动变形预测进行了仿真分析,其结果验证了所提卡尔曼滤波方法在地表移动变形预测应用中的可行性,表明该方法有效提高了实时预测的可靠性和预测精度.

基于自适应kalman滤波的高铁桥梁变形预测应用研究

针对传统卡尔曼滤波中动态噪声不准或难以确定等原因而导致模型估计值与真实值不符合,甚至滤波发散现象,已不足以满足高铁变形分析要求。本文采用两种自适应滤波方法优化这一问题,即方差分量估计自适应卡尔曼滤波与方差补偿自适应卡尔曼滤波。采用后验差检验法对比分析两模型精度并进行相关系数评估,结合某高铁段实测数据的处理分析,结果表明:方差补偿卡尔曼滤波模型更优于方差分量估计卡尔曼滤波模型。

基于卡尔曼滤波模型的地铁沉降监测分析

卡尔曼滤波方法是变形监测中常用的一种方法,本文通过对获取的地铁沉降观测数据进行监测,采用经典的卡尔曼滤波方法和基于方法补偿的自适应卡尔曼滤波方法进行监测预估,通过对比发现,基于方差补偿的自适应卡尔曼滤波方法能够有效地控制观测数据异常对动态系统参数估计的影响,保证了变形监测数据估计的精度。

自适应卡尔曼滤波在基坑变形监测中的应用

在现代建筑中基坑越来越深,基坑越深带来的危险就越大,因此准确地监测和预报基坑的变形趋势十分重要。卡尔曼滤波是经典的数据处理方法,但传统卡尔曼滤波所建立的数学模型不是很精确且动态噪音设计不易确定可能导致状态估计失真,甚至导致滤波发散的现象,本文利用方差补偿自适应卡尔曼滤波理论对太原万达广场某商住楼基坑位移监测数据进行处理,得出基坑位移变化趋势。

不同的自适应卡尔曼滤波在地铁隧道沉降监测数据处理中的应用研究

由于传统卡尔曼滤波所建立的数学模型不是很精确,且动态噪声统计特性不易确定,可能导致滤波发散而无法获得准确的预测结果。为了克服这种现象,提出自适应卡尔曼滤波方法。分别用卡尔曼滤波、基于极大验后估计原理的自适应卡尔曼滤波和基于方差补偿的自适应卡尔曼滤波在地铁隧道沉降监测数据处理中的应用进行分析比较,结果表明,与其他方法相比,基于方差补偿的自适应卡尔曼滤波方法的变形预测精度更高。

卡尔曼滤波算法在隧道结构沉降分析降噪中的应用

针对沉降监测原始测量数据存在测量噪声而影响隧道结构稳定性判定问题,在分析卡尔曼滤波算法基础上,给出经典卡尔曼滤波算法和方差补偿自适应卡尔曼滤波算法模型,研究卡尔曼滤波算法在隧道结构沉降分析降噪处理中的应用。工程实例分析结果表明:卡尔曼滤波算法能够较好地抑制沉降监测噪声对隧道结构沉降分析的影响,降噪后的结果可以更加真实地表现沉降趋势,方差补偿自适应卡尔曼滤波算法抑噪效果优于经典卡尔曼滤波算法。

基于自适应卡尔曼滤波的高层建筑物沉降预测模型研究

由于传统卡尔曼滤波处理实时动态数据中所建立的数学模型不精确或动态噪声特性不准确,导致状态估计失真,甚至导致滤波发散的现象。为了提高高层建筑物沉降监测实时预测的准确性与可靠性,克服传统卡尔曼滤波进行沉降预测中噪声的不足,本文采用方差补偿自适应卡尔曼滤波理论进行分析预测,并通过实测数据对比分析,验证了方差补偿自适应卡尔曼滤滤波理论进行沉降预测的可行性,且预测精度较高。

一种改进预测模型在高铁变形分析中的应用

在高铁变形分析中,为了解决经典卡尔曼滤波消除随机误差干扰能力较弱,以及GM(1,1)和AR等单一变形监测预测模型难以满足工程分析需求等问题,提出了一种基于方差补偿自适应卡尔曼滤波的GM-AR模型。首先采用方差补偿自适应卡尔曼滤波算法,对原始观测数据进行消噪处理,去除其中的误差干扰项,获得变形体实际有效的变形量;然后采用GM(1,1)和AR时序模型,对原始监测数据中普遍存在的趋势项和随机项进行建模组合,以此来预测变形体的变形趋势。工程实例表明:方差补偿自适应卡尔曼滤波的信噪比与均方差为经典卡尔曼滤波的136.7%和94.6%,故更符合实测值;相较于单一的GM(1,1)模型和GM(1,1)-AR模型,基于方差补偿自适应卡尔曼滤波的GM-AR模型预测值变化曲线更接近实测值变化曲线,且平均残差、平均绝对误差、残差方差分别为GM(1,1)模型和GM(1,1)-AR模型的6.4%、6.0%、0.5%、17.6%、13.1%、2.1%,预测结果更加精确。