基于GSA-BP神经网络的GNSS高程拟合方法

针对传统BP神经网络模型进行全球导航卫星系统(Global Navigation Satellite System, GNSS)高程拟合时存在的收敛速度慢,易陷入局部极小值和拟合精度受初始参数选取影响大的问题,提出一种遗传模拟退火算法(Genetic Simulated Annealing,GSA)优化的BP神经网络模型:GSA-BP.该模型利用GSA的全局搜索能力对BP神经网络的模型参数进行自动寻优,确保BP网络能够获取全局最优解并提升拟合精度.最后采用实际工程算例开展试验,对所提GSA-BP模型的高程拟合性能进行评估和验证,结果表明所提GSA-BP模型相对于传统BP神经网络模型具有更高的拟合精度和更强的数据适应性,更适用于实际工程实践场景.     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

线状工程GPS高程拟合方法研究

针对数学模型只适用于特定地形和神经网络模型易陷入局部最优解的特点,提出了最优加权算法,分别利用两种数学模型和两种神经网络模型进行线状工程GPS高程拟合,并将每种模型拟合效果好的单一算法组合成最优加权算法.结果显示:多项式拟合法优于多面函数法,遗传模拟退火算法优化BP神经网络算法(GSA-BP)优于其他算法,为最优单一算...     

神经网络优化5G定位结果域的分析与评估

针对室内环境下的5G定位需求,提出了利用神经网络算法对粗略定位结果进行优化的方法,减小了多径、非视距传播造成的定位误差,改善了结果域的定位精度.优化算法利用测距定位中的到达时间(TOA)定位法和到达时间差(TDOA)定位法获得粗略定位结果,分别结合BP神经网络、Elman神经网络及通过遗传算法(GA)优化后的GA-BP神经网络、GA-Elman神经网络共利用4种神经网络进行训练,得到修正后的精确定位结果,并对4种神经网络算法进行了分析与评估. Elman算法相较于BP算法具有迭代收敛快、迭代次数少、误差改正好的特点,更适合5G定位结果域的优化;融入GA后结果精度均有所提高,其中GA-Elman算法能够训练得到最好的定位结果.     

基于遗传算法优化BP神经网络的GNSS高程转换

针对大地高转换成正常高的高程转换问题,本文提出了遗传算法优化BP神经网络在GNSS高程转换中的方法,并利用某矿区观测站实测GNSS/水准数据,将遗传算法优化BP神经网络和曲面拟合进行比较,结果表明:在较大区域和高程异常呈不规则的情况下,遗传算法优化BP神经网络相比较曲面拟合可有效提高GNSS高程转换的精度。     

MEA-BP神经网络在大坝变形预测应用

针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型。通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性。     

一种基于遗传算法优化的BP神经网络建筑物沉降预测模型

为提高建筑物基坑沉降预测精度,针对传统BP神经网络模型收敛速度慢和易陷入局部最小值的缺陷,利用遗传算法的全局寻优能力建立基于GA-BP神经网络的高精度建筑物基坑沉降预测模型。结合实际建筑物的基坑沉降监测数据,与传统BP神经网络预测模型进行对比,结果表明基于GA-BP神经网络的沉降预测精度更高。     

基于退火BP神经网络的GPS高程转换

阐述模拟退火算法的基本思想和原理,提出并介绍模拟退火算法优化的BP神经网络模型在GPS高程转换中的具体应用,同时编写相应的MATLAB处理程序,结合大量数据进行仿真实验,结果表明文中提出的退火BP神经网络模型具有收敛速度快、精度高、避免陷入局部最小的优良特性。     

基于神经网络的GPS高程拟合算法探析

随着GPS定位技术的发展,人们已经能够获得控制点的高精度平面位置,但一直未能以相应精度求解控制点的正常高程。为提高GPS高程测量的精度,以某工程控制网为例,针对BP神经网络方法应用于GPS高程拟合进行比较研究,可见,遗传神经网络应用于GPS高程拟合,其精度优于BP神经网络,且收敛速度加快;退火神经网络应用于GPS高程拟合,拟合效果也优于BP神经网络。     

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GA-BP神经网络的高铁线下工程沉降预测模型

结合遗传算法与BP神经网络模型,介绍GA-BP模型的基本原理,建立高速铁路线下工程遗传BP神经网络沉降预测模型,并探讨模型精度的影响因子。通过实例分析表明GA-BP模型具有预测精度高、收敛速度快的特性,进而验证GA-BP模型在高速铁路线下工程沉降预测评估中的科学实用性。     

一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC）,利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值,初步建立GA-BP神经网络预测模型,结合马尔科夫链的无后效性修正模型预测值,形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据,分别与BP神经网络、GA-BP神经网络预测模型进行对比,结果表明,该预测模型精度最高。     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

GA-BP网络模型在GPS似大地水准面精化中的应用

针对误差反向传播（BP）算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法（GA）的全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络（GA-BP）模型,并将该模型应用于似大地水准面模型精化。最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE（平均绝对误差百分比）指标分析,验证了该方法的可行性。     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

自组织优化分类的AUV地磁导航适配区选取

为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。