5第五章-变形监测预报模型.doc

PAGE PAGE 141 第五章 变形监测预报模型 对变形体的研究既有客观上的不确定性，也有主观上的非确定性。客观上的不确定性包括随机性、模糊性、信息的不完备性和信息处理的不确定性。客观因素的影响和对变形机理的认识不够，导致了理论分析和模拟的非确定性。针对变形的非确定性，许多问题需要作出全局性、综合性分析。因而系统分析方法已显示出广阔的应用前景，包括回归分析理论、Kalman滤波理论、灰色系统理论、时间序列分析理论、分数维理论、混沌理论、随机介质理论、人工神经网络理论、有限元分析法和反分析法等在内的许多新理论、新方法也被引入到监测分析预报中来。 5.1 回归分析法 5.1.1 曲线拟合是趋势分析法中的一种，又称曲线回归、趋势外推或趋势曲线分析。该方法是研究最多，也最为流行的定量预测方法。人们常用各种光滑曲线近似描述事物发展的基本趋势。 ）+ 式中为预测对象；为预测误差；根据不同情况和假设，可取不同形式，其中代表某些待定参数。以下为几类典型趋势模型。 = 1 \* GB3 ①多项式趋势模型 ②对数趋势模型 ③幂函数趋势模型 ④指数趋势模型 ⑤双曲线趋势模型 ⑥修正指数模型 ⑦逻辑斯蒂(Logistic)模型 ⑧龚伯茨(Gompertz)模型 5.1.2 经典的多元线性回归分析法仍广泛应用于变形监测数据处理中。它是研究一个变量(因变量)与多个因子(自变量)之间非确定关系(相关关系)的方法。该方法通过分析所观测的变形(效应量)和外因(原因)之间的相关性，建立数学模型。 (5-1) 式中表示观测值变量，共有n组观测数据；t表示因子个数。 5.1.2 多元线性回归数学模型如式(5-1)所示，用矩阵表示为： (5-2) 式中为n维变形量的观测向量(因变量)；；是一个维矩阵，其元素可是一般变量的观测值或函数(自变量)，其形式为： 式中为待估计参数向量(回归系数向量)，；为服从同一正态分布的n维随机向量，。 由最小二乘原理可求估值： (5-3) 事实上，模型只是对问题初步分析所得的一种假设，在求得多元线性回归方程后，还需要对其进行统计检验。 5.1 实际上，事先并不能断定因变量y与自变量之间是否具有线性关系。作为一种假设，选用线性回归模型，求得线性回归方程后，需对回归方程进行统计检验，以给出肯定或者否定结论。如果因变量y与自变量之间不存在线性关系，则模型中的为零向量，即原假设： 将此原假设作为模型(5-1)的约束条件，求得统计量： (5-4) 式中，(称回归平方和)； (称剩余平方和或残差平方和)；。 当原假设成立，统计量F应服从分布，在选择显著水平后，用式(5-5)检验原假设： (5-5) 若式(5-5)成立，即认为在显著水平下，y对有显著的线性关系，回归方程显著。 5.1. 回归方程显著，并不意味着每个自变量对因变量y的影响都显著。要从回归方程中剔除那些可有可无的变量，建立更为简单的线性回归方程。如果某个变量对y的作用不显著，则模型(5-1)的系数应该取为零，因此，检验因子是否显著的原假设为： 由模型（5-1）可估算求得： 式中，为矩阵的主对角线上第j个元素。因此在原假设成立时，统计量： 据此可组成检验原假设的统计量： 在原假设成立时，服从分布。分子通常称为因子的偏回归平方和。选择显著水平，由表查得分位值，若统计量，则认为回归系数在的置信度下显著，否则不显著。 在进行回归因子显著性检验时，由于各因子之间的相关性，当从原回归方程中剔除一个变量时，其他变量的回归系数将会发生变化，有时甚至会引起符号的变化，因此，对回归系数进行一次检验后，只能剔除其中的一个因子，然后重新建立新的回归方程，再对新的回归系数逐个进行检验，重复以上过程，直到余下的回归系数都显著为止。 5.1.3 逐步回归计算建立在F检验的基础上，逐个接纳显著因子进入回归方程。当回归方程中接纳一个因子后，由于因子之间的相关性，可使原已在回归方程中的其他因子变成不显著，需从回归方程中剔除。所以在接纳一个因子后，必须对已在回归方程中的所有因子的显著性进行F检验，剔除不显著因子，直到无不显著因子后，再对未选入回归方程的因子，用F检验来确定是否接纳进入回归方程(一次只接纳一个)。反复运用F检验，进行剔除和接纳，直到获得最佳回归方程。 逐步回归计算过程为：(1)定性分析得到因变量y的t个影响因子，分别对t个影响因子建立一元线性回归方程，求得相应的残差平方和，选择中的最小者所对应的因子，作为第一个因子，入选回归方程，对该因子进行F检验，当其影响显著时，接纳该因子进入回归方程；(2)对余下的t－1个因子，分别依次选一个，建立二元线性方程(共有t－1个)，计算其残差平方和及偏回归平方和，选择与