基于Kalman滤波的变形监测数据云分析系统研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.1.1 问题提出 | 第11-12页 |
| 1.1.2 研究目的与意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 变形监测数据管理与预警系统 | 第12-13页 |
| 1.2.2 卡尔曼滤波分析与预报应用 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 第2章 B/S架构变形监测云分析系统设计方案 | 第16-33页 |
| 2.1 系统研发的必要性分析 | 第16-17页 |
| 2.2 系统总体设计与功能架构 | 第17-21页 |
| 2.2.1 系统开发平台介绍 | 第17-18页 |
| 2.2.2 系统的逻辑结构设计 | 第18-19页 |
| 2.2.3 系统的功能设计 | 第19-20页 |
| 2.2.4 Web API接口服务 | 第20-21页 |
| 2.3 服务端数据库设计及存储优化 | 第21-29页 |
| 2.3.1 数据库表结构设计 | 第21-25页 |
| 2.3.2 数据检索机制优化 | 第25-26页 |
| 2.3.3 分表数据存储优化 | 第26-29页 |
| 2.4 多源时间序列云分析模块 | 第29-31页 |
| 2.4.1 变形监测数据源分析 | 第30页 |
| 2.4.2 变形分析与可视化显示 | 第30-31页 |
| 2.5 网络化预警信息发布模块 | 第31-33页 |
| 2.5.1 预警信息自动化提取 | 第31页 |
| 2.5.2 网络化综合预警体系 | 第31-33页 |
| 第3章 系统架构在变形数据管理分析中的应用 | 第33-48页 |
| 3.1 运营期高速铁路基础变形监测数据管理系统 | 第33-39页 |
| 3.1.1 工程概况及特点 | 第33-34页 |
| 3.1.2 系统用户体验测试 | 第34-39页 |
| 3.2 传统工程项目多源变形监测数据集中管理系统 | 第39-48页 |
| 3.2.1 工程概况及特点 | 第39-40页 |
| 3.2.2 系统用户体验测试 | 第40-48页 |
| 第4章 线性离散系统卡尔曼滤波分析与预测理论 | 第48-69页 |
| 4.1 传统线性离散卡尔曼滤波 | 第48-52页 |
| 4.1.1 卡尔曼滤波基本方程 | 第48-51页 |
| 4.1.2 卡尔曼滤波稳定性与发散抑制 | 第51页 |
| 4.1.3 卡尔曼模型预测模型 | 第51-52页 |
| 4.2 基于极大似然准则的自适应卡尔曼滤波 | 第52-55页 |
| 4.2.1 极大似然估计自适应卡尔曼滤波 | 第52-53页 |
| 4.2.2 噪声协方差矩阵自适应调整 | 第53-55页 |
| 4.2.3 改进的Scale-Q自适应滤波 | 第55页 |
| 4.3 基于变形监测数据的卡尔曼滤波建模 | 第55-60页 |
| 4.3.1 状态方程和观测方程的确立 | 第55-57页 |
| 4.3.2 滤波初值的确定 | 第57-58页 |
| 4.3.3 卡尔曼滤波精度评定指标 | 第58-60页 |
| 4.4 基于仿真数据的卡尔曼滤波分析 | 第60-69页 |
| 4.4.1 卡尔曼滤波参数影响分析 | 第60-63页 |
| 4.4.2 状态模型选取对滤波影响 | 第63-65页 |
| 4.4.3 自适应卡尔曼滤波改进效果分析 | 第65-69页 |
| 第5章 基于卡尔曼滤波的云算法实例应用 | 第69-74页 |
| 5.1 高速铁路沉降监测数据分析 | 第69-71页 |
| 5.2 GPS单历元解算数据分析 | 第71-72页 |
| 5.3 水电大坝位移监测数据分析 | 第72-74页 |
| 第6章 结论及展望 | 第74-76页 |
| 6.1 结论 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第82页 |
