基于Keras平台的LSTM模型的对流层延迟预测

对流层延迟是影响全球卫星导航系统（GNSS）测量精度的重要因素. 针对现有对流层延迟模型稳定性差，精度较低等问题，在无实测气象参数条件下，提出一种基于Keras平台的长短期记忆神经网络（LSTM）的对流层延迟预测模型. 选取全球均匀分布的8个测站，使用其2016年第90-131年积日共42 天的整点对流层延迟数据预测其第132-136年积日的整点数据. 以国际GNSS服务（IGS）中心提供的对流层产品为真值，分析比较LSTM模型和反向传播（BP）神经网络模型的预测效果. 研究表明，LSTM模型预测结果的均方根误差基本达到mm级，其平均绝对误差和平均绝对百分比误差均比BP模型低，LSTM模型在精度和稳定性上较BP模型均有明显提高；LSTM模型在中高纬区域的均方根误差（RMSE）均值达到7.82 mm，中高纬地区更适合使用该模型.      

加权平均温度模型对GPS水汽反演的影响北大核心CSCD

针对加权平均温度(Tm)模型对GPS水汽反演精度影响的问题,该文基于无线电探空资料,利用线性回归分析方法建立湖南地区Tm模型,以此模型反演GPS可降水量。通过与无线电探空资料对比,分析Tm本地化对GPS水汽反演精度的影响。对2016年4月至12月临近长沙、怀化和郴州的GPS可降水量进行反演,结果表明:较Bevis Tm模型,采用本地化的Tm模型反演得到的GPS可降水量精度更高,和无线电探空测得可降水量对比,平均偏差分别降低了25.68%、36.87%和13.70%,均方根误差分别降低了1.40%、1.93%和1.36%。     

加权平均温度模型对GPS水汽反演的影响

针对加权平均温度(Tm)模型对GPS水汽反演精度影响的问题,该文基于无线电探空资料,利用线性回归分析方法建立湖南地区Tm模型,以此模型反演GPS可降水量。通过与无线电探空资料对比,分析Tm本地化对GPS水汽反演精度的影响。对2016年4月至12月临近长沙、怀化和郴州的GPS可降水量进行反演,结果表明:较Bevis Tm模型,采用本地化的Tm模型反演得到的GPS可降水量精度更高,和无线电探空测得可降水量对比,平均偏差分别降低了25.68%、36.87%和13.70%,均方根误差分别降低了1.40%、1.93%和1.36%。     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题，该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维，消除其所包含的冗余信息；然后利用SAPSO优化BP神经网络的权值与阈值；最后使用训练样本训练模型，利用训练后的模型预测5组测试样本的下沉系数，并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合，其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低，可以有效提高下沉系数预测的准确性。     

基于GPS的MODIS近红外可降水量季节性模型建立

在考虑可降水量季节性变化的基础上,提出利用GPS数据建立MODIS近红外可降水量季节性模型。首先对比分析2014年北京房山(BJFS)站的GPS可降水量和相应时间的MODIS近红外可降水量数据,发现两者之间的变化趋势基本一致,存在显著线性相关性;然后以GPS可降水量为标准值,利用回归分析建立GPS和MODIS可降水量之间的季节和全年校正模型。经检验,GPS可降水量与四个季节模型校正的MODIS近红外可降水量的均方根误差均小于3mm,最大误差不超过6mm,季节校正模型的精度都要高于全年校正模型。     

利用BDS数据反演大气可降水量及其精度分析

随着GAMIT软件版本的不断更新，对BDS数据基线解算已成为可能。本文提出了一种基于GAMIT软件的BDS大气可降水量反演方法，并对利用探空数据计算得到的大气可降水量与GPS数据反演结果进行精度验证。结果表明，通过BDS反演得到的大气可降水量与探空数据计算结果之间的平均相对误差、均方根误差均小于2 mm，相关系数大于0.98；与GPS反演结果之间的平均相对误差、均方根误差均小于3 mm，相关系数大于0.96。BDS反演结果精度较高，基本能够满足气象需要。     

CPSO-BP组合优化模型的滑坡位移预测

针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。     

一种基于机器学习算法的区域/单站ZTD组合预测模型

针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%.      

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。     

基于最小二乘原理的组合模型在建设用地需求量预测中的应用

通过分析武汉市2002-2011年建设用地数据, 选取了三次指数平滑、灰色GM(1,1)模型和多因素回归法建立组合模型, 提出了一种基于最小二乘原理解算组合系数的方法, 并对武汉市2012-2025年的建设用地需求量进行了预测。经过计算预测结果的平均绝对百分误差、均方根误差及希尔不等系数, 证明了该组合模型可信度高, 可用于武汉市土地利用规划编制工作。     

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法. 在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性. 用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较. 结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求. 该方法在GPS高程拟合中具有可行性.      

一种基于遗传算法和BP神经网络的对流层延迟改正模型

对流层延迟是影响全球卫星导航系统定位精度的主要因素之一。针对全球气象数据建立的对流层延迟改正模型区域精度较低这一问题,文中基于遗传算法和BP神经网络技术,在EGNOS模型基础上建立一个高精度的区域融合模型(GA-BPEGNOS模型)。选取北美洲2010—2014年41个观测站点,以国际GNSS服务中心的对流层产品作为真值,分析比较EGNOS模型和融合模型的对流层天顶延迟。研究表明,EGNOS模型的均方根误差为80.38mm,融合模型的均方根误差为34.44 mm。与EGNOS模型相比,融合模型的精度提高约57%,取得满意效果。     

马尔科夫链优化Logistic曲线的基坑沉降预测模型

针对基坑沉降具有非线性及随机性的特点,建立基于马尔科夫链修正的Logistic曲线预测模型进行基坑沉降预测。基坑监测工程实例应用表明:利用Matlab平台的nlinfit函数进行Logistic曲线参数估计是有效的,将Logistic模型拟合值与观测值的残差用于马尔科夫的状态划分,构造状态转移概率矩阵,建立马尔科夫链优化的Logistic模型,预测均方根误差和平均绝对百分误差都比单一Logistic模型小。这表明该方法用于基坑沉降预测是可行的。     

遗传算法优化的GPS对流层延迟内插算法

为了提高对流层延迟的插值精度,文章采用安徽省电力系统10个CORS基站的对流层延迟作为训练数据,8个CORS站的对流层延迟作为测试数据,建立一种基于遗传算法和BP神经网络的区域GPS对流层延迟内插方法(GABP),利用遗传算法优化BP神经网络权值和阈值的模型,该模型只需要输入测站点的经纬度和高程值。数据处理结果表明,在区域GPS对流层延迟预测中GA-BP模型是一种预测精度比较高的方法。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

大气加权平均温度建模及其在GPS／PWV中的应用

大气加权平均温度的准确获取对高精度的GPS水汽反演至关重要。文中基于线性回归理论,在分析加权平均温度与地面温度间相关性的基础上,采用一元线性拟合的方法,建立大气加权平均温度经验模型。最后,采用香港地区2006-2015年无线电探空资料对经验模型进行验证。实验结果表明,文中模型计算加权平均温度的整体均方根误差为2.356 K,较Bevis模型精度提高了41.94％,且季节变化对加权平均温度计算的影响并不明显;对于GPS水汽反演,采用本文经验模型反演水汽的均方根误差为1.807 mm,平均偏差为1.362 mm,能够满足GPS可降水量反演的精度,且优于Bevis模型。      

基于无线电探空的武汉大气加权平均温度模型研究

以武汉地区为例,本文推导无线电探空推导的大气加权平均温度模型并对其可靠性进行检验。采用武汉无线电探空数据推算武汉地区的大气加权平均温度计算模型,以此模型计算GPS可降水量,通过与无线电探空结果比较来检验该模型的精确度。在WHDH站GPS可降水量与无线电探空的比较中,两者差值的均方根为3.0mm,两者的相关性达到了0.952。利用中国地壳运动监测网络2002年武汉站GPS数据和武汉地区大气加权平均温度模型推算的可降水量与无线电探空比较,GPS可降水量与无线电探空可降水量在数值上和发展趋势上比较接近,说明了无线电探空的大气加权平均温度模型的可靠性。