基于神经网络的GPS水准计算模型

为减小ＧＰＳ工程水准测量中拟合误差的影响，本文采用神经网络方法代替常规线性拟合，完成ξ值数据计算，取得较好计算结果，并以实验数据证明其计算的可行性。     

基于神经网络的大坝位移模型分析

结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。     

利用一种新的神经网络模型识别点状地图符号

着重讨论了用一种新的神经网络模型识别点状地图符号的过程，主要包括网络的结构特点和学习算法以及学习训练过程，并验证了用该网络进行点状网答识别的有效性。     

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。     

大坝变形预报的模糊神经网络模型

在介绍模糊推理神经网络FNNLM训练算法及网络参数的确定方法的基础上,以东江大坝12个测点的水平位移预报为例,说明了模糊神经网络模型具有训练时间短、预报精度高的优势。     

基于神经网络模型的遥感影像几何校正研究

在遥感影像几何校正方法中,通常认为精度最高的是共线方程模型.针对共线方程模型定向参数解算过程中误差方程的病态问题,提出了利用基于控制点的神经网络方法进行高分辨率遥感影像几何校正方法,并从理论上进行了可行性分析.实验证明,在具有一定数量控制点作为训练样本的条件下,应用BP和RBF神经网络进行遥感影像几何校正,可以达到比共线方程模型更高的精度;神经网络模型能够自动抑制含较大误差控制点对模型纠正精度的影响,在实际应用中可以提高几何校正效率.     

一种优化的基于神经网络的经验ZTD模型

目前,经验对流层天顶延迟（ZTD）模型已经有了飞速的发展,因为它们在使用时无需任何测量的实时地面气象数据,这给GNSS用户提供了极大方便。神经网络技术在实测参数型的ZTD建模中已经取得了一定的成果。与此同时,国内虽然有学者构建了神经外网络的经验ZTD模型,其最大的缺点是忽略了ZTD时间变化且只能单独预报ZTD。本文针对这些缺点构建了优化的神经网络经验ZTD模型。试验结果表明,本文提出的神经网络模型可以分别预报天顶干延迟ZHD和天顶湿延迟ZWD,且具有良好的精度：ZHD的Bias和RMSE分别为-3.7和19.8 mm;ZWD的Bias和RMSE分别为-0.6和34.2 mm。本文的神经网络模型预报的ZHD和ZWD的精度均与目前世界著名的GPT2w格网模型相当。另外,与GPT2w模型相比较,神经网络模型最大的优点就是无需庞大的预存格网数据作为输入,在使用时仅需要知道一个训练好的神经网络即可,该特点为GNSS用户提供了极大的方便。     

融合BP神经网络的组合模型地铁结构变形预测

基于误差平方和最小准则构建回归分析模型和时间序列模型的组合模型,采用BP(black propagation)神经网络优化其组合模型的预测结果,最终获得信息最大化的预测结果.将此方法应用于南京地铁某号线自动化监测,结果显示其预测精度高于任何单一模型,预测精度得到有效提升.     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型神经网络的分类器经过训练后，可应用于遥感图像的分类，其分类精度明显高于传统的最大似然分类法。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

卫星钟差预报模型的分析与比较

为了分析二次多项式模型(QP)、灰色模型(GM(1,1))、时间序列模型(ARIMA)以及小波神经网络模型(WNN)这4种模型钟差预报的效果,采用GPS提供的RTS精密钟差数据作为实验数据,通过不同数量的建模数据对4种常用模型进行建模;并预报接下来的30 min和1 h两个时长的钟差数据.据此对4种模型的钟差预报效果进...     

基于Petri网的模型与GIS集成研究

以BP神经网络遥感分类模型为例，探讨了模型与地理信息系统的集成问题，指出问题的实质是对象状态数据模型，对象模拟模型和对象分析处理模型的综合表达与处理，提出了建立在元数据和元模型基础上基于数据处理的流程的集成方案的一般结构，分析了Petri网的演泽形Derivation网的特点，设计了Derivation 网，提出了Derivation 网对元数据和元模型的管理方案以及Derivation 网内部校验方法，在此基础上以Derivation 网为核心，以元数据和元模型为接口，建立了基于数据处理流程的模型与GIS的集成方案。     

基于深度学习构建的全球电离层NmF2模型

采用递归神经网络对空基COSMIC和地基垂测站数据建立了全球电离层峰值电子密度模型,模型均方根误差达到1.3×10~5 el/cm~3。在春夏秋冬4个季节内,人工神经网络ANN模型预测精度比IRI模型分别提高了25.7%、19.7%、33.3%和21.8%。另外,ANN模型不仅能够有效地模拟全球电离层时空变化特征,也能够成功地模拟电离层的诸多区域物理变化特性,如赤道电离异常、威德尔海异常、中纬度夜间异常和冬季异常。ANN模型可以为改正单频接收机的电离层延迟发挥一定的作用。     

RBF神经网络一半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型.结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行.     

基于灰色神经网络模型修正矿区地表变形数据

针对矿区地表变形数据间断缺失的现象,分析了矿区地表变形数据特点,提出了一种灰色神经网络组合模型对间断数据进行预测。首先,利用非等间距灰色模型计算灰预测平面,再采用BP神经网络模型对预测平面区间进行加权组合,得到最终的预测值。实验表明:灰色神经网络组合模型预测精度高于灰色模型,对矿区地表变形数据处理的适应度更高。     

遥感土地覆盖类型识别的自组织人工神经网络模型

本文提出了进行遥感土地覆盖类型识别的自组织人工神经网络模型,并选取了一组标准样作为研究对象,识别效率较高。结果表明,该网络性能良好,可望成为遥感土地覆盖类型识别的有效手段。     

RBF神经网络—半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型。结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行。     

应用CF-BPNN模型确定GPS高程异常

介绍了确定GPS高程异常的传统方法,分析了应用CF-BPNN模型求解GPS高程异常的步骤,验证了其精度比常规方法有显著提高及其可行性.     

一种含稳健权的神经网络GNSS高程拟合模型

在高程拟合解算过程中,为数不多较大误差或残留系统误差可能会使估计参数的结果歪曲,导致拟合数学模型变形失真。本文在研究GNSS高程拟合神经网络模型的基础上,将具有抵抗粗差能力的选权迭代稳健估计因子引入BP神经网络高程拟合计算,通过思维进化算法对网络初始权值和阈值进行优化,提出一种具有抗差性的神经网络高程拟合方法的思路,并通过算例验证了模型在高程拟合过程中的有效性。