�봨Ms8.0����ǰ������ֱ�α䱳��

????1951??????????????????1999-2007???GPS???????????????????α???????о???????????????岻????ε????α???????????α?????8.0??????????????????????????????8.0?????????????α?????????????α???????????????????????????????????????骲???????????й????λ?????????????????????????????????????γ????????????????????????????????????     

�α��쳣����Ź�ϵ������ʶ

??7?ξ???α???????о???????? 1)????α?????????????????仯????????????????α?????????????????仯??????????3???????????4????????????ж??????α?????? 2)?α??????????棻 ????3)?α????????????????????????????????α??????????????????????????????α???????????????????????????ж??????????????? ???? 4????????????????ж??????????????????α???????α????????????????????     

���ϵ����ؿǴ�ֱ�˶������Ĺ�ϵ

???????????1951??2011??????????????????????1951??1980??1980??1994??1994??2011??1951??2011??????α?????????????ε??α????????????????????????о??????α????????????????????7???????????????????????????????????????й??????????????????α????????????????????     

�α�Ԥ��ģ�͵Ķ��ݽ׷���

?????????г???????????????????????????????????????????????????????????????????????????α?????????黯???α?????????????????????????????????α?????????????????????????????????????е????????????,??????????α???????????     

���ڸĽ���С�������õĵؿǴ�ֱ�α����

??????С?????????????????α??????α???????????α????α?????????????????????????????????????С??????????????????????α????????????????????????????α????α??????????????????С???????÷??????????????????????????????α????е???α??????????????С???????÷??????????α????????????????????????????????????????????????????ú????Э?????????????Ч??????????α????α??????????α?????????????????????????GPS?????????????????÷???????????????????????α????α???????????????Ч????????????     

���ڹ۲�ֵ��Ȩ��λƽ��α��ı���α���ֶ�λ

????????????У?????????λ???α??????С??·??Ч???α??????????????????е????????????????????????????α??????????????????·??Ч????????????α?????λ???????????????????????λ???α??????????????????????÷??????????????????????λ?????     

COMPASSα�൥�㶨λ���ȷ���

??????COMPASS???????????COMPASSα?????????????????????????????4GEO+5IGSO????????COMPASSα????λ???????????????COMPASSα???·??Ч???????????0??3 m???仯???侫???0.3??0.7 m??????????????·??Ч??????????С??GEO??????????·??Ч??????????????С??IGSO?????COMPASSα????λ?????RMS????N??E??U?????????3.33??3.45??8.84 m??     

����ɽ��ػ�ɽ���α��⼰��ɽ�״̬����

???????????????2002??2005?????????????????GPS???????? ?????????????????????????? ????????2002??2003??????????????α?仯??????????GPS??λ??????? ????????(??P00?350 km)??????????????????????????????????????????????????α?仯???????????????2003??????????α?仯????????С,?????2004??2005???????GPS??λ??????????λ????????????С???????????????????????     

����λ�Ƽ�����ݵ�ͼ�λ���ʾ����

????????λ???????????α????????????????α??????????????????μ?λ?????????????????????????λ???????????????о??????????????????????????о????????Δx??Δy??Δh????????λ???????Δx??Δy??????????Δx??Δy??Δh?????б?????????????     

����SRTM����Ͽ�����ؿǴ�ֱ�α���ֵģ��

?????????????????????????????????????????????帺???????Farrell?????????????????????α???????????????????????????????α?????????????α?????????????????????￡????α?????????????????????С??     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法，构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量，并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加，最终建立多尺度变形预测方法，并应用于大坝变形预测。实验结果表明，改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法，证实了新方法的有效性及可靠性。
     

���μ�����ݵ�С��������Ԥ�ⷽ��

??????μ?????????????????????????С??????????????????????С???????????????μ??????????????????????????????????ó????????б????ó?????:С??????????????μ??????????????????????Ч????     

GMDH�������㷨�ڱ���Ԥ���е�Ӧ��

???GMDH??????????????????????????????????????????????????ɡ??м???????????????????????и??????????Matlab?????????????????????GMDH????????????????????????????У????????????????????????BP?????????GMDH??????????????????б????ó?????:?????GMDH???????н???????????????????н??????     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型。利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比。研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考。     

����Kalman�˲���BP�����緽���ڴ�ӱ���Ԥ���е�Ӧ��

??????????????BP?????緽??????????ι???????????????????????????????BP????????,???????ж?????????С????????????????С????????,???????????????????????????,?÷??????к??????????????????????     

基于MRVM的多输出边坡变形预测模型

为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。     

基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。     

���ŷǸ���Ȩ���ģ���ڴ�ӱ����е�Ӧ��

?????????GM??1??1????BP?????????????????3?????????????????????????????????е???????????????????????????????????????????????????????????????????????????????????????????????????????0.11 mm?????????????о??????????ü????     

通过改进自适应PSO优化BP网络预测大坝变形

提出自适应粒子群神经网络（ADPPSO-BP）算法，并加入自适应变异算子，提高粒子跳出局部搜索的能力，实现对坝体位移的精准预测。以丰满大坝为例进行验证，建立PSO-BP（粒子群神经网络）、LPSO-BP（线性粒子群神经网络）、改进ADPPSO-BP（改进自适应粒子群神经网络）3种模型，对大坝进行变形预测。结果表明，ADPPSO-BP预测误差最小。