BP模型在变形监测数据分析和预测中的应用

本文通过对BP网络模型的研究,建立BP神经网络预测模型,并使用VC++语言编程加以实现。将模型应用于东江大坝实测变形监测数据的分析和预测,对时间序列建模和以环境变量为自变量两种方法建模,发现这两种模型都可以很好的实现变形量的预测,且以自变量为因素所建立的模型预测精度更高。     

融合BP神经网络的组合模型地铁结构变形预测

基于误差平方和最小准则构建回归分析模型和时间序列模型的组合模型,采用BP(black propagation)神经网络优化其组合模型的预测结果,最终获得信息最大化的预测结果.将此方法应用于南京地铁某号线自动化监测,结果显示其预测精度高于任何单一模型,预测精度得到有效提升.     

基于时间序列-BP神经网络在基坑方面的应用研究

随着城市经济的发展,城市内部出现很多深基坑工程,基坑的变形会威胁到周围建筑物的形变,因此,对基坑变形的研究变得尤为重要。时间序列和BP神经网络模型都是常见的监测数据处理方法,将时间序列模型与BP神经网络模型组合,对郑州某大型深基坑的沉降数据处理证明,组合模型得到的拟合精度要优于单纯的时间序列模型的建模精度。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

运用GPS高频时间序列对地震前兆的探索研究

通过对在日本福岛地震发生前后短时间内的两个GPS测站的时间序列进行拟合以获取在短时间内的地震同震位移数据,通过动态时间序列图的形式对地震同震位移数据进行研究,结果发现,在地震发生时很短的时间内地震同震位移数据会发生大幅度的变化,在地震结束后又恢复正常。这种变化规律可以为地震前兆预测做参考。     

利用连续GPS进行地面沉降监测

对2005～2006年北京15个GP3连续站的数据进行分析,获取了台站在ITRF参考框架下垂向分量的坐标序列,利用最大似然估计反演了线性运动速率及相关噪声的大小,发现北京市GPS坐标受到时空相关噪声和周期性噪声的影响,对GPS观测成果的解释要考虑这些因素的影响;GP3显示在传统沉降区域(如东三旗、平谷等)沉降速率较大,达40 mm/a以上.文中还讨论了利用GPS进行沉降监测时需要注意的若干问题.     

汶川地震对重庆市CORS的影响

印度板块一直向欧亚板块俯冲,造成了汶川地震.利用 Bemese GPS Software Version 5.0对重庆巾5个CORS(ContinuouslyOperating Reference Stations)以及北京、昆明、拉萨、上海、武汉5个IGS基准站从2008年5月9 日至15日以天为单位和5月12日当天每隔两小时进行数据处理,对5个参考站的坐标偏差进行时间序列分析,结果表明这些参考站和震前比较,向西移动约2 cm,向北移动约1 cm,隆起近1 cm,但高程逐渐向震前恢复.     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

融合空间尺度特征的时空序列预测建模方法

假定原始的时空数据由较大尺度下的全局趋势项与较小尺度下的局部偏差项构成,提出了融合空间尺度特性的时空序列建模方法。首先,将原始数据转换为较大尺度下的数据,此部分反映原始数据的趋势特征。然后,将趋势部分剔除,剩余部分反映原始数据的偏差特征。最后,用灰色系统模型和BP神经网络模型分别对趋势项和偏差项建模,它们的组合预测结果即为原始时空序列预测值。采用该方法对实际的年降水数据以及日平均PM2.5浓度数据进行预测建模分析,实验结果表明:融合空间尺度特性的时空序列预测模型可以用于多空间尺度预测,并且预测精度优于不考虑空间尺度特性的建模方法。     

PCA方法在GPS坐标时间序列分析中的应用

以安徽及邻区8个GPS连续站点的观测数据为基础,应用主成分分析法提取其共模误差,并对扣除共模误差前后的残余时间序列进行了对比分析。结果显示,扣除共模误差后的残余时间序列的周期性变化较为明显,数据信噪比有所提高。     

基于GIS的犯罪趋势预测研究

GIS在我国公安领域应用大多局限于数据显示和查询等较浅层次,针对该问题,在将GIS与犯罪预测研究相结合的基础上,详细介绍了不同情况下时间序列建模的方法,对其进行改进并运用于犯罪预测,建立了犯罪预测模型。通过对某市群体案件样品数据的建模分析,预测得到较理想的结果,并实现了对犯罪数据的动态可视化。     

InSAR技术支持下的高速铁路沿线沉降监测与预测

针对盘营铁路专线、哈大铁路专线沿线沉降监测研究较少,采用InSAR技术获取了研究区地表形变信息,还对其进行了相关分析.用SBAS-InSAR对35景Sentinel-1A SAR数据进行处理,获取VV、VH极化下的年均沉降速率及沉降序列;以年均沉降速率为研究对象,进行沿线沉降特征分析及交叉验证;利用小波变换对沉降序列降噪处理,用改进BP神经网络对降噪后沉降序列预测分析.研究结果表明,研究区内高速铁路沿线共监测出6个明显沉降区域,最大沉降速率达50mm/a;两种极化年均沉降速率具有较高的一致性,降噪处理后的沉降序列更加平滑;改进BP神经网络具有较高的收敛速度,其预测精度有较大提高.     

地图曲线数字化误差估计

利用差分子算子和时间序列分析工具导出了地图曲线数字化误差估计公式。通过计算分析说明了根据曲线数字化数据估计数字化误差的具体方法。     

复种指数遥感监测方法

复种指数是反映水土光与自然资源利用程度的指标 ,其实质是沿时间序列 ,反映某一种植制度对耕地的利用程度。联系复种指数与时间序列NDVI曲线的纽带是农作物年内的循环规律。时间序列的NDVI值蕴涵着植被的生长和枯萎的年循环节律 ,经时间序列谐函数分析法 (HarmonicAnalysisofTimeSeries ,HANTS)重构的NDVI曲线 ,可以准确地反映农作物的出苗、拔节、抽穗、收获等物理过程。因此 ,根据时间序列的NDVI曲线的周期性 ,可以反向捕捉到耕地农作物动态的信息 ,进而得到耕地的复种指数。本文依据上述原理 ,提出复种指数遥感监测的方法 ,然后用 1999年至 2 0 0 2年 4年的VGT(SPOT4卫星vegetation数据 )旬合成NDVI时间序列数据集提取了复种指数 ,并利用地面样区观测结果和统计数据进行检验 ,取得很高的精度。     

缺失GPS时间序列的神经网络补全

在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。     

遥感时间序列数据滤波重建算法发展综述

遥感时间序列数据(MODIS,NOAA/AVHRR,SPOT/VEGETATION等)在植被生长监测、物候信息提取、土地利用类型监测等诸多领域得到了广泛应用,是生产研究的重要数据源之一.由于传感器、云层大气等影响,遥感时间序列数据存在着严重的噪声,应用前必须进行序列滤波重建工作.综述现有各类滤波重建方法,对研究中广为采用的3类主要方法(基于最小二乘的非对称高斯函数拟合、SavitZky-Golay滤波、基于离散傅里叶的系列分析方法)集中阐述其理论基础、应用步骤和优缺点.总结当前遥感时间序列滤波重建方法需要进一步改进之处.     

归一化植被指数在遗址探测中的应用

针对目前遗址探测研究多基于单时相遥感数据开展,存在偶然性,对最佳探测时间的研究较少等问题,该文以洛阳盆地为研究对象,利用多时相遥感数据,通过时间序列谐波分析算法(HANTS)重构时间序列植被指数数据集,去噪的同时对比分析出利用冬小麦长势信息进行地下遗址遥感监测的最佳时间区间。研究表明,受地下遗址的胁迫,在分蘖期,冬小麦长势明显比非遗址区的长势差,表明该时期是进行地下遗址探测的最佳时期,进而对最佳探测时期内NDVI积分,有效增强了遗址区和非遗址区之间差异,突出地下遗址的位置和轮廓信息。利用该研究成果,文章成功探测到汉魏洛阳故城以及古伊洛河异常区,与现有的考古资料相吻合。     

时间序列SAR影像监测堤坝形变研究

结合时间序列InSAR技术,在无先验形变模型的情况下,研究了中分辨率Envisat ASAR数据在堤坝监测中的应用.首次使用24景Envisat ASAR影像得到了上海市长江口南岸和杭州湾北侧堤坝的沉降速率.实验结果表明,堤坝存在着不均匀沉降,其中位于浦东机场堤坝和临港新城堤坝的沉降最为严重.利用水准数据对临港新城堤坝的监测结果进行了验证,监测精度达到了mm级,证明了时间序列SAR影像在堤坝形变监测上的有效性和应用潜力.