������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

�żҿ�-�������Ѵ��ֽ��˶�״̬����

????GPS????????t????????????????????????????(????????)????????????????????????????????????????????????С????????GPS??????п??????????????????????????ó??????????????????????0.5 mm/a?????????????????????;????????д???????????????????????????佻???????????????????????????????????     

������ģ������С���������ڶ�Դ���������ں��е�Ӧ��

????????С????????????????????ж???????????????????????????????????????????????????????????????????顣?????????????????С??????????????????????3.6??10????^-5??ms????^-2??????????????С???????????????????????????????????????????????????4.6??10????^-5??ms????^-2??????????????????????????????????????С?????????????????????????????п???????Ч?????     

����CCD΢С�ߴ������Ӧ�ü�������

????????CCD??????????????С????????????巽???? ???????????????????????CCD?????????????????????С???????????;????ò??????????????????????     

С�����Ѵ����˶���Ӧ����������о�

????1999??2001??2001??2004??2004??2007??????ε?GPS????????????????????????????(RELSM)?о???С????????????????ε???????????ó?С???????????????????????3.0~7.1 mm/a????????????????????????Σ????GPS??????棬?о???????????????????????????????????1??С???????????β?????ε???????????η???н?????????????????????????????????????2??RELSM?ó?С???????λ??????????????????????????ε???ε?????????????????С??3??С????????????????????????????θ????б??Σ?????μ???β?????????????????4??С?????????????????????????????????????????     

��ͬ�����¼����˲������ıȽ��о����Ľ�

????о???GPS???μ???????????????????????????С???????????????????????????????????????Ч?????ó?????????????????????÷?Χ????????????????????????????????????????????????????????????С???????????????????????????????????????????????????????????????Ч??????????????     

��SSY�����������о��޴�Զ��������񵴲�����

??????????????????????SSY?????????????????2004??12??26????????????Ms8.7????2003??9??26???????????Ms8.0?????2003??9??27????ɡ??н???Ms7.9?????????????н???С??????????,??????????????????????????????SSY???????????????????????????????????????????е?С?????????????????????????????????????????Щ????????μ??     

���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????????????     

������С����֧��������������GPS�߳�ת�����

????GPS???????????ж??????BP?????????溯???????????????????????÷?Χ?????????????????????????????????С???????????????LSSVM??????????????????????LSSVM?????????????????С????????????????????С??????????С??????????в?????????????????????????????????????????????LSSVM????????????????????????????????????????????????????????????????LSSVM?????????GPS???????????     

��GPS�����������۲���Ƶر��α�ļ����Ա仯

???????GPS??GRACE?????????????α???????????????????GRACE???λ???GPS?????????????о?????(RMS)??С?????????????仯????λ???????????????н???????????GPS?????????????仯?????????????????????????????Щ???????????????????????????С?????????????????????????????????????п??????????????????????ó???GRACE?????α????????С????????????????????????????????????????????????GPS??????????????????д??μ??????????????????GPS???????????????о???     

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。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

�������ɷַ�����BP���������α�Ԥ���е�Ӧ��

?????α????????????????????????????BP???????????????α??????????????????????????????????????????????????????????????????????????????????BP??????????????????Ч????     

����С�������LS-SVM�Ļ���ʱ������Ԥ��ģ�ͼ���Ӧ��

?????С???????????????????LS-SVM??????????μ???????????????????μ????????н???С???????????C-C??????????????????????????????????????????????????????????????????LS-SVM??????н?????????BP??????????????????????????????????????С???????LS-SVM????????????????????н??????Ч????     

���ڻ�ɫģ����С��������������Ӳ�Ԥ������

???????????????С???????????????????????????????????????????????????????????????????????????????в??С??????????н?????????????????????????????????????????IGS????????????飬????÷????????Ч????????ζ???????????????????????R???????F?????????????????????2???????     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生。对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变形水平位移预测,并与基于最大Lyapunov指数混沌时间序列预测结果以及实测数据进行对比分析。结果表明,基于RBF神经网络建立的混沌时间序列预测模型的预测结果比基于最大Lyapunov指数混沌时间序列预测模型的预测结果要好,且短期预测效果好。     

С���������ճ�Ԥ���㷨�о�

???BP??????????????С???????????BP?????缤????????BP????????????????????????????????С???????磬??Ч?????????????????????????????????????????????????????????Ч????     

一种优化的GA-KF与BP-Adaboost地表下沉组合预测模型北大核心CSCD

为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。     

基于改进小波神经网络的GPS高程拟合研究

针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结...