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。     

合肥市需水预测遗传小波神经网络模型研究

本文将小波分析与BP人工神经网络相结合,并使用遗传算法优化神经网络,建立起遗传算法优化的小波神经网络———遗传小波神经网络。从合肥城市需水密切相关的14个社会经济指标中,筛选出主要的影响因子,根据长时间序列数据,构建了城市水资源需求量预测模型。通过遗传小波神经网络和传统BP的网络训练输出效果比较,表明该预测模型收敛速度较快,对神经网络的性能优化有明显效果,拟合精度较高,泛化能力较好,对城市需水预测能取得较好的效果。     

遗传小波神经网络在变形预报中的应用

目前常用的变形预报方法有BP人工神经网络和小波神经网络,但是都存在收敛速度慢且易受局部极值的影响。针对这两种算法的不足,本文利用遗传算法的全局寻优特性,将遗传算法与小波神经网络结合,形成遗传小波神经网,将其应用于变形预报,取得了良好的效果;并将算法的预报精度、稳定性、有效区间及运算时间作为评价算法优劣的4个标准,对BP神经网络、小波神经网络及遗传小波神经网络进行对比,结果表明遗传小波神经网络具有明显的优势。     

基于调和分析及VMD-BP神经网络的感潮河段流量预报

针对感潮河段受径流和潮汐共同影响导致流量预报精度较低的问题,结合变分模态分解(variational mode decomposition,VMD)处理非平稳信号的能力与反向(back propagation,BP)神经网络处理非线性问题的优势,提出了基于潮流调和分析及VMD-BP神经网络组合模型的感潮河段流量预报方法。首先,采用潮流调和分析方法对原始流量进行潮流、余流分离;然后,根据误差逆向传播算法构建BP神经网络,并对潮流数据和经VMD处理后的余流数据进行仿真训练;最后,将仿真训练输出的潮流和余流分量叠加重构进而得到最终的流量预报结果。在长江口徐六泾断面开展流量预报实验,结果表明,单独采用BP神经网络方法相对于传统潮流调和分析方法的流量预报精度提高了约3 400 m³/s,相对精度提高了约6%;所提组合模型方法的流量预报精度相对于传统潮流调和分析方法提高了约5 000 m³/s,相对精度提高了约9%。基于调和分析及VMD-BP神经网络的组合模型可以有效提高感潮河段流量预报精度,同时也为流况多变水域的流量预报提供新思路。     

遗传算法优化的BP神经网络城市不透水层百分比估算

本研究利用基于遗传算法优化的BP神经网络算法估算城市不透水层百分比。首先,将像元中各端元组分与BP神经网络的节点相对应进行BP网络建模,遗传算子建模;其次,对样本进行网络训练,先通过GA算法得到全局近最优网络权重集,然后用梯度下降算法训练网络,直到找到能充分反映特征空间中的数据分布模式的局部最优网络权重集;然后,训练好的网络被应用于整个影像用来估算城市不透水层覆盖百分比。在此基础上,对北京市地表不透水层百分比进行估算。试验结果表明,本研究所用的方法能有效利用中高分辨率遥感影像数据估算城市不透水层百分比。     

果蝇优化算法优化灰色神经网络的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,文章提出了一种基于果蝇优化算法(FOA)优化灰色神经网络的卫星钟差预报方法.利用FOA较强的全局寻优能力对灰色参数进行迭代动态微调,改善随机初始化所导致网络进化易陷入局部最优的问题,以提高灰色神经网络的预报精度;选取IGS产品中典型的卫星钟差数据,分别采用FOA优化灰色神经网络模型、神经网络模型、灰色系统模型和灰色神经网络模型进行短期钟差预报.仿真结果表明:FOA优化灰色神经网络模型的预报精度优于其他三种模型,性能满足卫星短期高精度钟差预报的要求.     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

基于补偿波形调整的导航卫星轨道预报方法

针对利用动力学模型得到的预报轨道随时间推移精度衰减较快的问题,尝试采用神经网络作为建模工具改进北斗导航卫星轨道预报精度。对影响神经网络模型补偿效果的因素进行了详细分析,基于神经网络补偿波形调整策略制定了适应导航卫星短期、中期和长期预报的神经网络优化模型。利用实测数据进行了试验分析,结果表明,该方法可以显著改进利用动力学模型得到的预报轨道精度。短期预报中,当采用的训练样本距离当前时刻大于10 d时,应移动补偿波形;中长期预报中均应移动补偿波形。相比补偿波形不调整的神经网络模型,采用基于补偿波形调整的神经网络优化模型后,预报弧长为8、15、30 d时,改进率分别提高了2.3%、6.7%、10%。     

神经网络辅助的GPS/INS组合导航自适应滤波算法

首先利用预报残差构造的最优自适应因子设计GPS/INS组合导航自适应滤波器。并针对BP神经网络存在的训练速度慢、容易陷入局部极小等问题,给出网络的改进算法。利用神经网络对自适应滤波器状态方程的预报值进行在线修正,给出神经网络辅助的GPS/INS组合导航自适应滤波算法。最后,利用实测数据进行验证。结果表明,改进的神经网络算法明显提高网络收敛速度;两种自适应滤波算法相对标准组合导航算法都能够可靠地反映载体运动轨迹;神经网络辅助的GPS/INS组合导航自适应滤波算法相对GPS/INS组合导航自适应滤波算法在精度和可靠性方面又有明显提高。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

融合遗传算法和ICP的地面与车载激光点云配准

车载激光扫描可快速获取大场景点云,由于存在视场限制和遮挡,需地面激光点云作补充。车载与地面点云分别位于大地坐标和局部坐标系统,本文提出结合遗传算法（genetic algorithm,GA）和（iterative closed point,ICP）的自动点云配准方法以统一基准。ICP采用局部优化,效率较高,但依赖初始解;GA为全局优化方法,但效率低。融合策略为当GA配准趋于局部搜索时,采用ICP完成配准。GA配准以地面激光扫描仪内置GPS测量粗略位置限定优化搜索空间。为提高GA配准精度,提出了最大化归一化匹配分数之和（normalized sum of matching scores,NSMS）配准模型。实测数据试验验证了NSMS模型的有效性,GA配准均方根误差（root mean square error,RMSE）为1~5 cm;融合配准比GA配准效率高约50%。     

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。     

北斗三号卫星导航信号接收机端伪距偏差建模与验证

接收机端伪距偏差是指非理想的卫星导航信号在接收机前端带宽和相关器间隔不同时产生的伪距测量系统性偏差。研究表明,北斗二号、GPS和Galileo系统均存在与接收机类型相关的伪距偏差,影响基于混合类型接收机站网的精密数据处理。本文基于iGMAS网和MGEX网观测数据,采用MW组合、伪距残差和伪距无几何距离无电离层组合3种方法分析北斗三号接收机端伪距偏差特性。试验结果表明,北斗三号同样存在与接收机类型相关的伪距偏差,且无电离层组合的伪距偏差可以达到6 ns。根据偏差特性,按接收机类型建立了8类伪距偏差改正模型。将上述模型应用于卫星差分码偏差(DCB)估计与单频伪距单点定位,结果表明,模型改正后可以显著提升不同接收机类型估计的卫星DCB一致性,其中基于iGMAS网和MGEX网两个不同接收机站网估计得到的北斗三号C2I-C6I、C1P-C5P和C2I-C7D DCB差值分别平均降低了91.6%、64.7%和71.9%;模型改正后单频伪距单点定位水平方向和高程方向精度分别提升了13.9%和11.0%。     

地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析

基于双天线全球导航卫星系统反射技术（global navigation satellite system reflectometry,GNSS-R）,建立了两个修正地表粗糙度影响的土壤湿度反演模型——解析模型和人工神经网络模型,并以GPS L1 C/A码为例建立了GNSS-R土壤湿度仿真平台,仿真分析了地表粗糙度对两个模型反演精确度的影响。结果表明,当地表均方根高度大于0.010 m时,必须对解析模型进行粗糙度修正。粗糙度影响修正结果显示,小粗糙度情况下修正的解析模型取得了良好的结果,但对于大粗糙度有一定局限性。在均方根高度大于0.025 m时,进行土壤粗糙度修正前,人工神经网络模型精度比解析模型提高了36.83%~72.36%。进行修正后,人工神经网络模型的精度比解析模型提高了42.86%~54.40%。人工神经网络模型在修正前后取得了相近的精度,无修正的人工神经网络模型精度比有修正的解析模型精度仍提高了35.83%~53.48%。     

混合模型在沉降监测中的组合预测方法

对建筑物沉降数据进行建模预测,以便掌握其变形规律并预测变形趋势,保障建筑物的安全。单一预测模型有自己的适用情形,也存在各自的缺点,已经不能满足当前的精度要求。选取灰色GM(1,1)和自回归两种常用的预测模型,通过两种不同的方式进行组合预测,并结合南京市地铁一号线百家湖段沉降监测数据进行计算分析,结果表明两种组合方法与单一预测模型相比精度均有所提高。     

BDS/GPS短期ISB建模和预报的Kalman滤波方法

ISB是多系统PPP数据处理中必须要考虑的一项误差,因此有必要对BDS/GPS短期ISB建模和预报进行研究。为了提高ISB预报精度,针对等权LS(least square)估计ISB模型参数时忽略了拟合数据权重不同的问题,提出了采用Kalman滤波对模型参数进行估计,并根据ISB拟合数据距预报时刻的远近调整Kalman滤波拟合数据的方差。本文采用7d的ISB数据进行建模,根据所建模型预报第8天的ISB值,并对预报精度和定位结果进行了验证。进行试验的4个测站Kalman拟合模型的ISB预报精度比LS拟合模型分别提高了29.7%、11.5%、43.5%和32.0%。采用Kalman拟合模型的ISB预报值作为先验约束,PPP平均定位精度在E和U方向上比采用LS拟合模型预报值分别多提高了2.7%和0.9%,比不加ISB先验约束在E、N、U方向分别提高了10.6%、26.3%和3.4%。     

改进灰色人工神经网络模型的超高层建筑变形预测

针对灰色人工神经网络模型初始化权值和阈值的随机性导致易产生误差积累和过拟合的缺陷,该文利用遗传算法的全局优化能力训练灰色人工神经网络模型的权值和阈值,构建了基于遗传算法的灰色人工神经网络超高层建筑物变形预测模型。结合长沙北辰新河A1超高层建筑变形监测实例,用该文所提模型与灰色人工神经网络模型分别进行变形数据的处理分析和预测。实验结果表明,该文提出的模型具有更好的预测精度,预测趋势也更加逼近实际测量结果。     

灰色自记忆模型的高层建筑物沉降分析

针对GM(1,1)模型对非线性数据的沉降趋势及其波动特征无法进行准确地预测,而灰色残差模型和灰色马尔科夫模型又无法解决这个问题,提出了灰色自记忆预测模型。该模型利用了自记忆原理考虑过去和现在对未来的影响的记忆性特点,克服了GM(1,1)模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力。通过实例验证表明了灰色自记忆模型的可靠性和可行性。     

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%。