测绘数据处理与实例分析.docVIP

测绘数据处理与实例分析 　　摘要：随着建筑工程建设总体进程的加快，现代工程对建筑物的规模、造型和难度提出了更高的要求，变形监测工作也显得更加重要。由于工程建筑物的变形发展是一个动态过程，有其内在的规律性，变形监测数据正是这种规律的反映，前期观测数据的变化蕴含着后期发展变化趋势。本文通过灰色线性组合建模的方法对变形监测数据进行处理，并通过实例比较分析其它几种数据的处理方法，从而得出灰色线性组合模型的特点以及优势所在。 　　关键词：变形监测；灰色线性组合；实例分析 　　1 前言 　　近年来，随着变形监测数据处理方法的不断进步，灰色系统理论的建模实际上是对生成数列的建模，在信息较为有限的条件下，只要原始数列有4个以上的数据就可以通过生成变换来建立灰色模型（Grey Model），即GM。灰色系统建模克服了概率统计的弱点，从数据中找出规律建立模型，然后用作相应的分析、预测、决策和规划，然而在建模方面由于过程比较复杂，难以符合实际工程操作的需要，而线性回归方法作为一种传统的变形分析方法，回归分析模型的建模过程简单，使用方便，目前在国内外得到了应用广泛。综合两者的优势，我们同样可以通过利用对灰色系统模型形式进行线性回归拟合的思想建立灰色线性组合模型，从而建立一种所需样本数据较少，短期预测精度较高，操作简单，并依靠样本数据本身内在线性规律的模型。 　　2 GM（1，1）灰色系统模型 　　设某一监测点的各期数据组成的原始数据序列为等间隔非负序列，并对该序列作一次累加生成（AGO），得到光滑的生成数列： 　　其中： 　　 （1.1） 　　x（1）对时间求导建立一阶线性微分方程，称为GM（1，1）灰微分方程的白化方程，即 　　 （1.2） 　　在此，a，b为待定的常数。a为发展系数，它反映及的发展态势。b称为灰色作用量，是系统中的作用量，它的大小反映数据的变化关系。 　　接下来采用邻均值生成，这种数据生成方式是对等时距的序列在建模时用相邻数据的平均值构造新的数据。任何一个灰导数都是在某个背景值下获得的，背景值既要适合新信息，又要适合老信息，因此采取等权分配也是合理的。如原始数列： 　　 　　x（k）新信息和x（k-1）老信息为序列x的一对紧邻值，则称k点的生成值z（k）为由新信息和老信息在生成系数（权）下α的生成值，即为邻均值生成值。 　　当α=0.5时 　　 （1.3） 　　此时相邻值的等权生成，也称为邻值等权生成。对x（1）计算均值z（1）（k），k=2，…，n。因为GM建模时灰导数是单位时间新老信息的差值。将x（1）和z（1）（k）代入白化方程（1.2）式中，可得灰差分方程 　　 （1.4） 　　该式对应n个时间序列，上式可写成矩阵形式，其中B和 YN二者的构造分别为： 　　 　　参数矩阵可根据最小二乘原理，求得发展系数a和灰色作用量b。对GM（1，1）灰微分方程的白化方程求解，其结果为： 　　 （1.5） 　　其中，， 　　GM（1，1）白化方程的离散时间响应函数就为： 　　 （1.6） 　　将k按1，2，…n代入模型，可得生成数列的计算值。当k→∞时，表示的是最终沉降量，其值为b/a。 　　此时得到的序列其实是一次累加形式的，方程求解的结果应还原到原序列，即通过累减处理（IAGO），得原始数据的还原模拟值和不同时刻预测值，灰色预测的两个基本模型为： 　　 （1.7） 　　 （1.8） 　　当k为模型拟合值；当时k=n，称为模型滤波值；当kn时，称为模型预测值。 　　3 灰色线性组合模型 　　根据GM（1，1）白化响应模型（1.6）可以写成以下方程的形式： 　　 （2.1） 　　我们发现这种形式可以利用某种线性回归方程Y=aX+b，以及指数方程Y=aeX之和来进行拟合累加生成序列： 　　 （2.2） 　　上式中，C1、C2、C3、v都是需要估计的未知数。设存在以下的函数关系： 　　 （2.3） 　　以及 　　 （2.4） 　　于是不难发现： 　　 （2.5） 　　这样，如果我们把用实际的累加序列代替就可以解得v的近似值，取不同的m将得出不同的，最后取所有的值的平均值作为v的估值，也就是： 　　 （2.6） 　　根据（2.2），利用最小二乘法求解，写成矩阵形式如下： 　　 （2.7） 　　按最小二乘方法求解：，其中： 　　 　　完成之后我们就得到了灰色线性组合模型： 　　 （2.8） 　　根据（1.7）式对得出的累加序列进行累减还原即可得到原始数据的模型拟合值或者相应的预测值。 　　4 新陈代谢算法 　　对序列x（0），将x（0）（n）取为时间轴的原点，则称tn为未来。对此序列进行建模预测，预测n+1时刻的离散值x（0）（n+1）。将