新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

作者：曾令权; 熊鑫; 陈竹安

来源：工程勘察, 2020, 48(04): 55-61.

• 沉降预测
• 集合经验模态分解
• 新息自适应卡尔曼滤波
• 粒子群优化算法
• BP神经网络
• 混合预测

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0. 3194mm,相对百分误差降到1. 42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。

• 单位
  广州番禺职业技术学院; 江西省数字国土重点实验室; 建筑工程学院; 东华理工大学; 流域生态与地理环境监测国家测绘地理信息局重点实验室