Web Services�ֲ�ʽ�����ڴ��ģ��ƽ���е�Ӧ��

??????????????????????????????????????????????????????????????????????м???????????????Web Services??WS???????????????????????????????????Ч????????м????????????????????.NET???????????????Web?????????????????????м?????????Ч???????????????WS???????????????????Ч?????????????????     

GPS��InSAR��ʾ��ʲ���ݼ������Ĵ�ֱ�˶��빹������

??????????10????GPS??λ???200??2003??2007????SAR?????????InSAR???????????????????????????????????????????????????????????????????????????????????????????????????????????????磬????????????????磬???????????????Χ???????????????α??????3????????1 mm/a, ???????????????Χ????????????1 mm/a,??????????????????С??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????,?????????????????1~-1.5 mm/a???????????????п??????????壬???????????????????????????????????????α???????????????????????????????????????????????????     

��ɢ���Dz��������ϲ�̽���о�

????????????????????????????????????????????????俱????????????????????????????????2 km??Χ?????????????????????????????????????????;??????????????????????????????????????????Щ???????????????С???????????????     

���ö�̬PPP�������ZTD��Ƶ�仯

??????PPP????????IGS?ο????????????ж??PPP???????????????PPP??ZTD?????????????PPP??ZTD??IGS??????ZTD?ο???????????????PPP???????????????????????30 s????????t???????????????<6 mm????     

������ɽ����SAR����ͼ��λ��������о�

??????·?????????С???????????????9??????????????????SAR????????н????????????????ó?????????????????С???????????????????????????SAR???????????????     

�����Ӳ����Ԥ��ģ�ͷ���

???????????????ζ???????????????????????????ζ?????????????????????????????????????????????????????У?????????????????????????????????????λ?????????С???????????????У?????????????????????????С???????????????????????С???仯????????????????     

��ά����ɨ�����ֱ���Զ���ȡ�㷨�о�

???????????????д???????????????????????????????????н??????????????????Щ?????????????????????????д?????????????????????Ч????????????????????????е??????????????RANSAC????????????н???????????????????Ч???????????????н?????????????????????????????????????????????????????????????????????????????????????     

�������Dz�������о���ˮ�Ⱥ����仯

???????????????о???2001??2007????????й???????????????????仯????????????ECCO?????????????????????????????????????о???????????????Χ??????????????÷?????????ECCO????????????????ú?á?     

����Krigingͳ�Ƶ�GPS�߳���Ϸ����о�

??GPS?????????????????????????????????GPS???????????????GPS??????????ú?????????????????????????????????????????????溯??????μ?Kriging?????????????????????????GPS??????????????????????????:????GPS??????????????????????????????????????????????????????????????????溯???????????????     

�봨������ƽͨ��ϲ�Χ�ݲ�̽��

????λ????8.0???????????, ??????????????????Χ?????????????????????????е???NW??SE??????????????????400 m?????????????????8.0???????????????п????????Χ??????????????????????????????????н???????ò?????????Χ?????????????3~4 Hz???????????????Χ??????????????????ε???????????200????????????Щ???????????????????????磬?????β???????????S???????λ?????????????????????????λ???????????????λ??????     

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。     

��������Ⱥ֧�������������ǵ��θ�����GPS�߳����

?о?????????????????????GPS???????е?????????????????????????????????θ??????????μ??????????????????????????????????????????????????????????????????????SVM??????????????????????????????淨?????溯??????BP?????編???????????侫??????     

萤火虫算法优化的高光谱遥感影像极限学习机分类方法

机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

一种基于熵权法的小波去噪复合评价指标

传统的评价指标在真值未知的情况下不能满足小波去噪质量评价的要求。为此,借助变化率特征重新构建均方根误差变化量和平滑度变化量两个指标,利用熵权法定权将归一化后的两个指标线性组合,所得到的新指标即为复合评价指标。该方法借助指标的变化率随分解层数的增加表现出明显的收敛特性来确定去噪最优分解层数。实验表明,该方法能够在真值未知的情况下准确地指导小波分解,确定去噪最优分解层数,从而达到最优去噪效果。     

Bursa������ת��ģ��7����������Ⱥ�ⷨ

???Bursa????????????7????????й???????С????????????????????????????????????????????????????????????????Bursa????????????7????????????????????????????????????????????????????????     

基于空间多尺度分析的滑坡易发性评价——以三峡库区秭归-巴东段为例

以三峡库区秭归-巴东段为例,将地理加权回归(GWR)模型引入到研究区的空间尺度分割方法中,利用粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,构建GWR-PSO-SVM耦合模型,完成研究区滑坡易发性评价,并与传统的PSO-SVM耦合模型结果进行对比。结果表明,在特定类别精度分析、总体预测精度分析和曲线下面积分析中,本文方法评价效果均优于传统方法。     

歧口凹陷深层地震岩石物理特征分析及应用

为明确歧口凹陷深层的岩石物理及AVO响应特征,分析歧口地区全波测井资料,优选该区敏感岩石物理参数;根据分岩性拟合求取纵横波转换经验公式,并采用流体置换原理进行叠前地震道集正演后提取AVO属性.结果表明:泊松比、纵横波速度比为该区有利储层预测的敏感参数,含气砂岩与含水砂岩的数值范围差异明显;歧口深层AVO响应特征可划分为3类:第一类是与气层相对应的反射振幅随着偏移距的增大而负向急剧增大;第二类是与油气同层相对应的反射振幅随着偏移距的增大而负向缓慢增大;第三类是与油水层及干层相对应的反射振幅随着偏移距的增大而负向减小.该结果可为歧口凹陷深层开展流体预测可行性提供依据.     

顾及邻近点的改进PSO-SVM模型在基坑沉降预测的应用研究

针对SVM模型在基坑沉降预测领域存在参数选择困难和基于单点数据建模的缺点,建立顾及邻近点的PSO-SVM模型。采用PSO-SVM模型进行最优训练样本数量研究,结果表明短期样本的预测效果最优。将邻近点沉降变形值作为影响基坑沉降的因素引入到改进的PSO-SVM模型中,实例表明,在短期样本数据下顾及邻近点的PSO-SVM模型的拟合精度优于PSO-SVM模型,而在中长期样本条件下预测精度不佳。针对该缺点提出组合多尺度一维小波分解函数和柯西分布函数来改进顾及邻近点的PSO-SVM模型,实验结果表明,顾及邻近点的改进PSO-SVM模型可有效解决参数选择困难和单点建模的问题,适用于不同样本数量下的沉降变形预测,具有较高的预测精度。     

面向不同环境背景的Landsat影像水体提取方法适用性研究

快速、准确地从卫星影像中提取水体信息一直是遥感应用的热点问题,在水资源管理、水环境监测和灾害应急管理等领域极具应用价值.虽然目前已有多种针对Landsat系列影像的水体提取方法,但由于地理位置、地形和水体形态等环境背景因素的影响,导致同种方法在不同的环境背景中呈现出不同的提取效果.本文针对人为影响严重、影像明暗对比强烈...