基于多项式拟合模型的GPS高程转换方法研究

在详细论述GPS高程转换基本原理的基础上,利用二次多项式模型,对区域高程异常进行了拟合分析,并进行了精度评定。结果显示,利用二次多项式模型进行GPS高程转换能够取得较好的结果,参与建模的点位拟合精度较高,而远离建模点分布区域的点位拟合精度相对较低,建模点的选取能够对GPS高程拟合结果产生重要影响。     

GPS高程拟合算法比较与分析

高程测量的方法较多,其中精度最高的是几何水准测量,但是几何水准测量的工作量大,因此在困难地区多采用GPS高程拟合的方法。本文采用多种GPS高程拟合算法进行计算,经试验成果的比较、分析,GPS高程拟合在某地区可以达到四等水准测量的精度要求,能够解决该地区四等水准测量需求。     

GPS高程转换的一种改进算法

针对用拟合局部似大地水准面实现GPS高程转换的方法在山区大比例尺重力勘查领域难以推广应用的情况,提出GPS高程转换的一种改进算法,即利用基于重力似大地水准面推导的高程异常差公式将GPS测定的大地高差转换为正常高差,进而实现GPS高程的有效转换.通过算例分析表明,这种方法完全适用于大比例尺重力勘探工作.     

GPS高程拟合方法的对比试验研究

GPS测量的高程是大地高,而我们日常使用的高程是正常高,这中间存在一个高程异常值,由于地球质量分布不均,这个高程异常值不是个常数。本文简要介绍了常用高程系统及相互的转换关系,重点介绍了多项式曲面拟合和多面函数拟合两种GPS高程拟合方法。结合北京市地面沉降监测项目,利用研究区范围内监测点已有的A级GPS测量数据和一等水准测量数据,采用了五种拟合方法,通过不同的选点方式,再经过MATLAB软件编程计算,对研究区进行了高程拟合,并对各项试验结果分别进行了拟合精度的评定。通过对每个拟合模型进行分析,对拟合结果进行比较和对五种拟合方法进行比较,最后得出结论,选择适当的高程拟合模型进行高程拟合能达到四等水准测量精度,采用二次、三次曲面拟合和多面函数拟合方法均能较好的对研究区进行高程拟合。     

基于DEBP的GPS高程拟合在济宁矿区沉降精细化监测的应用

为减少济宁矿区开采过程存在的安全隐患,拟对济宁矿区沉降进行精细化变形监测,并建立预测模型。鉴于传统的BP神经网络算法存在的局部最优点、收敛困难、反演精度难以确定的问题,模型采用DEBP算法,结合DE算法和BP神经网络算法的优势,在收敛速度、精度以及稳定性方面都有提高。对比发现:基于DEBP的GPS高程拟合的预测模型,在济宁矿区沉降监测应用中能够有效提高监测精度,高达厘米级;结合灰度模型进行矿区沉降预测,通过监测结果可知,模型预测值与实测值一致性较好,表明该模型可用于矿区沉降预测,对于保护矿区具有重要的使用价值。     

基于移动曲面模型的GPS高程拟合

移动曲面模型具有连续性函数模型和离散性模型的双重特征,是GPS高程拟合模型中一个比较有应用优势的模型。通过介绍该模型的一般形式,并用该模型进行了一个实例计算,效果良好。     

锦赤铁路三标段GPS高程拟合分析

结合GPS控制网和三等精密水准网的对比试验,构建了GPS测高技术中高程拟合模型,据此对锦赤铁路三标段工程项目进行分析。实例中选取多项式曲面拟合方法,进行高程内插计算,并将拟合结果与水准测量结果进行对比,结果表明：GPS高程拟合的内、外符合精度完全满足铁路工程精度要求,精度可达到2～3cm。     

RTK应用及成果精度分析

为验证RTK作业的精度和可靠性,选择具有GPS静态控制网成果的平地、丘陵和山地三个测区作为试验区,根据不同参数转换和高程拟合方法测定的成果,与已知的GPS静态成果和水准高程进行比较,结果发现：在平地、丘陵、山地三种地貌条件下,使用相同的参数转换方式和高程平面拟合方式,其成果差别不大;存储方式对观测精度有一定的影响,一般情况下平滑存储成果的可靠性高于一般存储成果;使用四参数转换的成果较七参数转换的成果平面精度要高;使用平面拟合的高程精度略高于使用曲面拟合的高程。根据对测量精度及可靠性的分析结论,提出在勘探工程中RTK的作业方法及注意事项。     

基于地球重力场模型的区域高程转换方法

利用多项式分区拟合与EGM96地球重力场模型相结合的数学方法,使少量的水准点与GPS点重合,对GPS测得的大地高直接转换为具有厘米量级正常高的重力模型区域高程转换方法作了讨论,将该方法得到的正常高与单独利用多项式分区拟合和EGM96地球重力场模型得到的结果进行了比较,其差值的标准差为±2.9 cm。     

大比例尺重力勘探GPS高程转换

在大比例尺重力勘探工作中,当布格重力异常设计总精度提高到0.025×10-5 m/s2时,要求测点高程均方误差为0.05 m。为使GPS高程能够达到该精度要求,提出利用EGM2008模型和GPS水准数据拟合局部似大地水准面的方法以实现测点GPS高程的转换,并利用某地区GPS水准资料,对转换方法的可行性进行验证分析。结果表明,这种方法完全适用于大比例尺重力勘探工作。     

地铁深基坑支护的遗传神经网络位移反分析

针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

基于遗传算法优化BP神经网络的玉米遥感估产方法

以内蒙古自治区开鲁县玉米作物为研究对象,将生育期内玉米遥感影像所提取的多种植被指数和实地采样点的测产数据作为训练值,利用BP(back propagation)神经网络和遗传算法优化BP(GA-BP)神经网络估产模型,得出网络预测的玉米产量数值。通过决定系数R 2和均方根误差RMSE,比较实测产量与预测产量之间的精度,BP神经网络模型R^2为0.8452,RMSE(%)为28.37;遗传算法优化BP神经网络模型R^2为0.9850,RMSE(%)为6.70,表明遗传算法优化BP神经网络估产模型具有一定可行性和可信度。     

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

利用BP神经网络进行水库滑坡变形预测

滑坡变形监测与预测是滑坡预警预报中一种非常重要的途径。文章首先简单介绍了神经网络的基本原理和学习算法,然后利用某水库滑坡24期的GPS地表位移监测数据及其诱发因素即水库水位、降雨等资料,采用BP神经网络模型对该水库滑坡变形进行建模,最后将6期水库水位、降雨等资料输入模型进行滑坡变形预测,结果表明预测结果与实测数据符合性好,总体上能较好反映变形趋势。     

用遗传神经网络分析泥石流活动性

泥石流是我国山区的主要地质灾害之一。影响泥石流活动性的因素十分复杂，并且具有随机性和模糊性。遗传神经网络结合了神经网络和遗传算法的优点，可以模拟学习和进化之间的交互作用，很适合用于分析泥石流活动性。文章简要讨论了遗传神经网络的原理，建立了泥石流活动性分析的遗传神经网络模型，并将该模型用于川藏公路沿线30条泥石流沟的活动性分析。网络的拓扑结构为(9，6，4，3)，即输入节点(评价指标)、第l隐含层、第2隐含层和输出接点(分析结果)分别为9、6、4、3。首先以其中25条泥石流沟作为样本对网络进行训练，训练时网络的连接权采用遗传算法进行自适应演化，待模型稳定后将其余5条泥石流沟的数据输入模型，计算它们的活动性，计算结果与实际观测基本相符，证明模型是可行的，各个参数的选取也是合适的。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。