灰色系统和分形几何耦合的边坡变形预测模型研究与应用

针对小样本观测数据边坡变形预测,提出一种基于灰色系统理论和分形几何耦合的分形预测模型。该模型利用灰色系统理论来对原来分形模型中的分形维数进行拟合预测,通过对比传统分形模型和预测耦合模型预测结果的准确性和稳定性。结果表明在现有小样本监测数据序列情况下,改进分形模型不仅在预测精度上比传统分形模型高,而且还具有一定的抗波动性能力,边坡变形预测的稳定性也有所提高。     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

无缝线性回归与预测模型

建立回归模型常采用最小二乘方法并忽略自变量观测误差。尽管同时顾及自变量和因变量观测误差的总体最小二乘方法近年来得到了广泛研究,但在模型预测时,依然忽略了待预测自变量的观测误差。对此,本文提出了一种严格考虑所有变量观测误差的无缝线性回归和预测模型,该模型将回归模型的建立和因变量预测联合处理,在建立回归模型过程中对待预测自变量的观测误差进行估计并修正,从而提高了模型预测效果。理论证明,现有的几种线性回归模型都是无缝线性回归和预测模型的特例。试验结果表明,无缝线性回归和预测模型的预测效果优于现有的几种模型,尤其在变量观测误差相关性较大时,无缝模型对预测效果的改善更为显著。     

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。     

基于小波去噪的灰色Verhulst模型在高铁路基沉降预测的应用

高铁路基需严格控制工后不均匀沉降。鉴于高铁路基沉降预测值精度受观测噪声和预测拟合函数的影响,本文提出了基于小波函数去噪,对去噪数据进行灰色Verhulst模型预测的方法,并阐述了高铁路基沉降预测评价方法。通过工程实例对比分析了去噪灰色Verhulst模型、GM(1,1)模型、双曲线模型在沉降数据处理中的拟合精度和预测精度。结果表明:GM(1,1)模型拟合精度高,预测精度低,不适用于长期预测;双曲线法预测精度最低,预测曲线不包含路基饱和发展过程;小波去噪灰色Verhulst模型符合高铁路基沉降规律,预测精度高,可以广泛用于路基沉降预测。     

改进的GM-AR组合模型在地铁沉降预测中的应用

灰色预测模型对沉降的整体趋势有很好地预测结果,时序模型针对随机性的数据进行预测,二者结合一定程度上可提高预测的精度。文中通过改进GM-AR模型并将其应用于地铁沉降预测中,同时与灰色预测模型和GM-AR组合模型的预测精度进行对比分析。结果表明,改进后GM-AR模型可以有较好的预测效果。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

灰时序GM-AR模型在建筑物沉降变形预测中的应用

本文以现代高层建筑沉降变形预测为主要研究目的,讨论了灰色GM(1,1)模型和时序AR模型的特点和适用范围,从预测的角度对灰色和时序模型进行了比较和分析;提出了基于优化灰参数α、u的GM(1,1)模型和AR组合模型预测高层建筑物沉降变形的新方法;将变形量分解成具有确定性的趋势项和具有不确定性的随机项,建立GM-AR模型分别对趋势项和随机项进行预测,应用结果表明,该方法使预测结果更为可靠、准确。     

基于ARIMA-TGM组合模型的边坡变形预测

通过权系数将ARIMA模型和时变参数GM(1,1)模型结合形成ARIMA-TGM组合模型,针对边坡位移监测数据组成的时间序列,采用ARIMA模型、时变参数GM(1,1)模型和ARIMA-TGM组合模型进行分析预测,通过实验对比3种模型的预测精度,实验结果表明ARIMA-TGM组合模型的预测精度较单一预测模型有所提高,适用于边坡变形的分析预测,研究成果可为边坡的防灾减灾提供一定的技术参考。     

最优插值全球海表温度数据格式分析及显示方法

介绍了最优插值全球海表温度数据;分析了NetCDF的特点,实现了利用ArcGIS和Matlab读取并显示NetCDF海表温度数据的方法。     

基于Matlab/Simulink的数字中频GPS信号软件模拟器

在对中频GPS信号理论建模与分析的基础上，采用Matlab／simulink构建了一种精确的数字中频GPS信号软件模拟器，考虑了噪声、欠采样以及接收机时钟误差等的影响。软件模拟器的实现采用matlab代码编程与Simulink模型混合的方式，方便了不同算法的实现。与射频GPS信号模拟器相比，该软件模拟器具备设计灵活、可扩展、易于使用等诸多优点。     

基于灰度形态学的高分辨率遥感图像边缘检测研究

提出一种用于高分辨率遥感图像边缘检测的灰度形态学方法,该算法在数学形态学的基础上,针对图像中噪声和边缘形态的不同建立了多结构元素,利用灰度形态变换原理的膨胀、腐蚀、开启和闭合等算法进行边缘提取。实验表明,与经典的边缘检测算子相比,该算法保持图像的细节特征,较好地解决边缘检测精度与抗噪声性能的协调问题,具有很好的边缘提取能力。本文给出了用Matlab6.5实现的具体代码。     

南京地铁1号线定向测量方法及其精度的研究

从理论和实践上研究了地铁定向测量方法及其精度,结合南京地铁1号线TA7标定向测量实例,分析了其可行性,结果表明,定向测量的精度是令人满意的.     

航空重力向上延拓的外部精度评估

分别采用基于梯度、基于泊松积分和基于快速傅里叶变换（FFT）的地面重力向上延拓方案,并提出交叉检验方法估计地面重力数据误差及其空中误差传播,对毛乌素测区GT-2A航空重力测量系统采集的空中测线数据进行外符合精度评价。对比结果表明：地面重力格网插值误差和代表性误差对空中点的影响达到0.66~0.92 mGal（1 Gal=1×10^-2 m/s²）,航空重力数据误差估计必须扣除这一影响;基于泊松积分和基于FFT的地面重力向上延拓方法能够客观评价航空重力观测值的外符合精度,二者表现相当;扣除地面重力误差影响后,在包含残余边界效应的情况下,毛乌素测区GT-2A航空重力空中测线重力扰动的外符合精度优于1.42 mGal。     

基于遥感影像的1∶10000地形图更新和精度检测方法探讨

主要介绍了利用IKONOS,QuickBird和WorldView卫星所拍摄获取的高分辨率影像对1∶10 000地形图更新的基本方法及流程;并采用基于DOM更新1∶10 000地形图的地物采集矢量数据,进行了定位偏差的拟合回归建模,通过回归计算和精度检测对成果的精度进行了分析,提出了最优精度分析模型,控制了更新1∶10 000地形图的2维采集精度。     

基于遥感影像的1：10000地形图更新和精度检测方法探讨

主要介绍了利用IKONOS,QuiekBird和WorldView卫星所拍摄获取的高分辨率影像对1：10000地形图更新的基本方法及流程;并采用基于DON更新1：10000地形图的地物采集矢量数据,进行了定位偏差的拟合回归建模,通过回归计算和精度检测对成果的精度进行了分析,提出了最优精度分析模型,控制了更新1：10000地形图的2维采集精度。     

多样地表和大气状况下的MODIS数据云检测

云覆盖作为天气和气候变化的一个重要因子,对地表-大气能量平衡和水循环有着重要的影响,因此,快速、准确地利用卫星遥感技术检测云覆盖具有重要的实用价值和科学意义。利用卫星遥感数据,尤其是常用的Moderate Resolution Imaging Spectroradiometer(MODIS)影像数据,因其具有较高的光谱和时间分辨率,以及2330 km扫描幅宽,为大范围实时、准确地进行云检测提供了可能。目前,基于MODIS数据发展了大量的云检测方法,但因地表类型的多样性和大气状况(如空气污染和沙尘事件等)的复杂性,目前已有的云检测方法,检测精度通常具有较大的不确定性,且针对不同地表和大气状况缺乏普适性,同时也缺乏对检测精度的定量化评估。因此,本文首先比较了常用的3种云检测算法,并基于前人经验提出了两种改进方法(方法4和方法5),首先区分出云和冰雹,摒弃了不稳定的亮温波段,两种算法均适用于复杂地表和大气状况的云检测算法。结果显示,方法5可以较好地应用于基于MODIS数据的云检测,总体精度达92.6±7%,改进了现有基于MODIS数据的云检测算法;方法4平均总体精度82.9±13%,虽然精度相对较低,但云残留少,适合作为对云敏感度高的研究工作的云检测方法。     

Robust methods for assessing the accuracy of linear interpolated DEM

Methods for assessing the accuracy of a digital elevation model (DEM) with emphasis on robust methods have been studied in this paper. Based on the squared DEM residual population generated by the bi-linear interpolation method, three average-error statistics including (a) mean, (b) median, and (c) M-estimator are thoroughly investigated for measuring the interpolated DEM accuracy. Correspondingly, their confidence intervals are also constructed for each average error statistic to further evaluate the DEM quality. The first method mainly utilizes the student distribution while the second and third are derived from the robust theories. These innovative robust methods possess the capability of counteracting the outlier effects or even the skew distributed residuals in DEM accuracy assessment. Experimental studies using Monte Carlo simulation have commendably investigated the asymptotic convergence behavior of confidence intervals constructed by these three methods with the increase of sample size. It is demonstrated that the robust methods can produce more reliable DEM accuracy assessment results compared with those by the classical t-distribution-based method. Consequently, these proposed robust methods are strongly recommended for assessing DEM accuracy, particularly for those cases where the DEM residual population is evidently non-normal or heavily contaminated with outliers.     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。