心得体会—地面网与GNSS网联合变形监测数据处理分析..docxVIP

地面网与GNSS网联合变形监测数据处理分析1.对变形监测的概念的理解以前，对于变形监测数据的处理和分析过程我一直简单地以为对变形体进行测量然后确定其随时间的变化特征，即简简单单地把几次周期观测所得数据相减，所得结果就是变形体发生的变形。但是，经过后来查阅文献，我才发现对数据的处理和分析过程是一个复杂和精细的过程。其可以分为外部变形和内部变形，对于不同工程的变形体都有其特殊的处理方法和相关的仪器。其处理过程包括数据粗差检测、位移显著性分析和根变形体的结构、组成物质的物理力学性质、外力作用等进行变形分析和预报。近年来, 用数学模型来逼近、模拟和揭示变形体的变形和动态特性成为新的研究方向, 其中比较有代表性的模型是:确定函数模型、回归分析模型、时间序列分析模型、灰色系统模型、卡尔曼滤波模型、神经网络模型、马尔柯夫模型和尖顶突变模型。卡尔曼滤波法是现代控制理论中的一种重要方法, 其最大特点是能够剔除随机干扰噪声, 从而获取逼近真实情况的有用信息, 在变形分析与预报中应用效果明显, 预测误差小。但应用中首先要考虑模型设计中可能存在的误差, 其次要考虑模型噪声和量测噪声的统计性质, 在进行递推计算时, 要注意引起发散的可能原因。通常, 在地学和工程领域中的变形体产生变形的原因是错综复杂的, 不同的变形体,其变形的时空特性不相同, 即使是同一变形体, 在不同的变形阶段和不同的区域(块体), 其影响因素和变形的时空特性也可能不同。因此, 多种模型和方法的有机结合与综合比较分析将是解决复杂的变形分析与预报问题的有效途径。但需要指出, 由于变形监测是通过周期性地测定监测点的位置变化来获取变形信息, 而变形体上的所有监测点之间是相互关联的, 不论是静态还是动态模型, 线性还是非线性模型, 都不应停留在对单个点或单个时间序列的分析上, 而应考虑观测点变形信息之间的相关性, 进行变形体的整体变形分析与预报方法的研究。（王晓华,胡友健,柏柳. 变形监测研究现状综述）2.对卡尔曼滤波模型的初步学习20世纪年代，匈牙利数学家提出了卡尔曼滤波算法，是一种对动态监测数据进行处理的有效方法，拥有最小无偏差性，是利用观测向量来估计随时间不断变化的随机向量，该随机向量又称为状态向量卡尔曼滤波具有提高数据处理效率，减少噪声，提高预测精度等优点，能满足变形监测数据分析的要求，为保证工程建筑物安全运营提供技术支持。卡尔曼滤波是以最小均方差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和现在时刻的监测值更新对状态变量的估计，其最大特点是能够剔除随机干扰误差，过程中能够不断地预报、修正、再预报和再修正，从而获得逼近真实情况的有用信息。卡尔曼滤波可以分为连续线性系统和离散线性系统两种数学模型。其中离散型系统的卡尔曼滤波模型是指仅在瞬时来研究线性系统的状态估计问题。根据动态噪声和监测噪声之间的关系以及它们与系统初始状态之间的关系，离散线性系统的卡尔曼滤波有四种随机模型。分别是：动态噪声和监测噪声是零均值白噪声；动态噪声和监测噪声不相关；系统的初始状态是正态分布或者其他分布的随机变量；动态噪声和监测噪声都与初始状态无关。离散线性系统的状态估计是由观测值向量，利用上面的数学模型和随机模型求出的最佳估值，使估计误差的方差满足方差最小。只要给定初始值和观测向量，就可利用离散线性的卡尔曼滤波方程进行递推计算，得到预测值和滤波值及相应的协方差。要获得时刻的状态估计，必须要知道系统的初始状态，即初始值确定问题。初始值的精确度影响了离散线性卡尔曼滤波的分析结果，精度太低导致监测点的变形值不真实，因此初始值的确定非常重要。一般情况下，系统的初始值很难精确的给定，故釆用近似的、误差较小的初始值。卡尔曼滤波的初始值包括：初始状态向量、初始状态方差阵监测噪声、方差阵动态噪声方差阵。只要给定初始值和观测向量，就可利用离散线性的卡尔曼滤波方程进行递推计算，得到预测值和滤波值及相应的协方差。(GNSS算法研究及其在变形监测中的应用_李伟)卡尔曼滤波模型建立步骤如下:卡尔曼滤波的预测模型的状态方程和观测方程的建立;卡尔曼滤波初始值的确定，包括监测噪声的协方差阵动态噪声的协方差阵巧和状态向量的初值及其相应的协方差阵；循环读取n期观测数据，并进行预测值和修正值计算；保存模型解算结果中最后一组的状态向量和相应的协方差阵；更新观测数据，再次构成n期观测数据，并进行重复计算。滤波方程是一个递推计算公式，是一个不断预测、不断修正的过程。在计算过程中，能求出速度参数，修正干扰引起的突变，把参数估计和预报有机的结合起来，更符合变形监测的要求。在满足卡尔曼滤波假定条件下，通过逐次滤波可以得到参数的最佳估计以及方差阵，不需要对滤波值进行精度评定但现实中参数的动态模型及其动态噪声随机模型与监测噪声随机模型很难确定，