基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。     

人工蜂群算法及其在土地资源优化中的应用研究

设计了应用于土地资源优化的人工蜂群算法,实现了将人工蜂群算法应用于土地资源优化问题;解决了ABC算法应用于多目标优化的两个难题:过早老化的问题和收敛速度慢的问题;以许昌市为例,进行多目标土地利用优化配置应用研究。研究结果表明:优化模型得到的土地利用格局、算法的适应度和收敛速度的均有明显提高。     

基于全局人工鱼群算法的函数优化

基本人工鱼群算法将基于鱼群行为的人工智能思想引入到解决函数优化的问题中,根据自然界中鱼类寻找食物的行为特点,推演出人工鱼的四种行为模型:随机行为、觅食行为、聚群行为、追尾行为。该算法具有对初值参数选择不敏感、鲁棒性强、简单易实现等优点。本文的全局人工鱼群算法是针对基本人工鱼群算法运算速度慢、求解精度低和容易陷入局部极值的缺陷而提出的。该算法在觅食、聚群、追尾行为中用历史全局最优人工鱼的位置和感知区域内较优位置的和向量代替感知区域内较优位置。这样不仅缩短了人工鱼向最优解移动的时间,也提高了求解最优值的精度和速度。仿真结果表明,该算法在函数优化方面的优化性能高于基本人工鱼群算法。     

一种改进的UKF滤波算法在BDS/SINS组合导航系统中的应用研究

将自适应估计原理引入UKF(unscented Kalman filter)算法中,该改进算法可以自适应地调节系统模型信息在导航解中的比重,从而减少滤波器初值偏差和系统模型异常扰动对导航解的影响.将改进的UKF算法应用于BDS/SINS(北斗/捷联惯导)组合导航系统中,仿真结果验证了其有效性,且该算法可提高组合导航系统...     

基于VMD-HPO-BiLSTM的大坝变形预测

引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型.利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型...     

GNSS/SINS组合导航的改进Sage-Husa自适应滤波算法

针对组合导航系统中标准Sage-Husa自适应滤波算法存在滤波发散的问题,提出一种改进的Sage-Husa自适应滤波算法。首先,对组合导航系统的线性卡尔曼滤波算法采用补偿反馈校正算法获得最优估计,并对滤波器新息向量进行简化;然后,提出一种改进的Sage-Husa自适应滤波算法,该算法具有实现简单并且可以避免状态估计发散的特点;最后,进行基于该算法的GNSS/SINS组合导航实验。结果表明,该算法可以对量测噪声突变方差和缓变方差进行准确跟踪,并且量测噪声方差估计精度与变分贝叶斯滤波方法相当;当量测噪声方差变化时,相对于标准KF算法,该算法可分别提高约20%和21%的位置精度和速度精度,能有效降低未知量测噪声统计特性对组合导航系统滤波精度的影响。     

基于神经网络的滑坡变形预测报研究

利用ＢＰ神经网络方法建立了滑坡变形预报模型,在此模型的基础上对几个典型滑坡进行了预报分析,其结果表明用ＢＰ模型进行滑坡短期预报效果较好。     

基于车辆导航的路径分析与应用

在目前前的车辆自导航系统（VANS）中,普遍存在着路径分析功能不强的问题,本文围绕这个问题,从其相关技术方面进行了研究,并通过实例进行了验证。     

基于变形信息分解的大坝变形趋势判断及预测研究

在分离大坝变形数据信息的基础上,利用重标极差法实现大坝变形趋势判断,然后利用优化极限学习机及混沌理论实现大坝变形预测。重标极差分析表明,大坝变形始终具有正向持续性,但其程度具有减弱趋势。在变形预测过程中,模型参数的递进优化不仅能提高预测精度,还能有效提高其稳定性,预测模型的相对误差均值均小于2%,验证了本文预测思路的有效性。大坝变形趋势判断及预测结果一致性较好,均认为大坝变形仍会进一步增加,但增加幅度相对较小,趋向于稳定发展。     

基于EEMD-SARIMA的对流层延迟预测模型研究

在无气象数据的条件下,提出一种基于集合经验模态分解（EEMD）和季节性自回归移动平均模型（SARIMA）的对流层延迟（ZTD）预报新方法,并分别选取长春、上海、乌鲁木齐3个地区4个季节的ZTD数据进行预测分析。结果表明,基于EEMD-SARIMA的ZTD改正预报模型能够满足不同地区、不同季节下的ZTD估计需求,是一种高精度的ZTD预报方法。     

基于形变资料开展地震预测研究需关注的问题及展望

总结基于形变资料的与地震预测相关的物理模型发展过程,并对当前形变观测资料在地震预测研究中的应用进行介绍。在此基础上,给出基于形变资料的强震综合预测思路及需要关注的问题。未来一段时间,建议从形变监测角度解决典型构造区密集观测与通用大地测量模型的构建问题;从科研角度开展高分辨率应力/应变场获取方法及其与地震关系的研究,深入研究并获得我国地壳粘滞性结构分布,强化研究活动地块/典型构造区的变形机理,开展断层滑动速率、闭锁程度/滑动亏损分布的可靠获取方法及模型研究,强化典型部位连续观测异常模式识别及机理研究。监测和科研的核心问题是为断层变形机理提供有效的观测约束并构建定量力学模型,相关工作是深入理解地震过程和推进强震物理预测的关键所在。
     

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。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

西藏亚东-谷露裂谷带运动特征的InSAR研究

亚东-谷露裂谷等南北向分布的大型地堑在青藏高原新生代构造演化中发挥着重要作用,该研究对理解青藏高原中南部地堑在第四纪构造演化的地位具有重要意义。基于欧空局Envisat卫星2003~2008年SAR数据,利用SBAS时序InSAR技术,去除地形、大气、轨道等因素的影响,获取亚东-谷露裂谷带及邻区的LOS速度场,并反演亚东-谷露裂谷带的滑动速率和闭锁深度。结果表明,亚东-谷露裂谷带南段与北段具有相同的倾滑速率,均为1 mm/a;其闭锁深度南段为31 km,北段为22 km;其断层倾角南段为52°,北段为40°,与地质结果一致。     

基于GPS观测值研究日本M_W9.0地震震后形变机制

基于GPS观测的震后水平位移对2011年日本MW9.0地震的震后形变特征进行研究。震后近5a(截至2015-12),震后水平位移累积达到东向60~165cm,南向20~65cm,距离震中较远处的G104、G105及J192站点观测到的震后位移累积变化已超过同震位移,且震后形变还在持续。联合震后余滑和粘弹性位错理论模拟震后形变,利用这2种作用机制对震后GPS水平形变进行解释。研究表明,震后余滑在震后形变最初阶段起主要作用,但随着时间增长而逐渐衰减,粘滞性松弛作用的贡献随着时间增长而变大,GPS观测到的震后地表形变可由这2种机制结合得到较合理的解释。利用震后GPS形变模拟估算地震区域的地幔粘滞系数在1.5×1019 Pa·s量级。     

GPS约束下陇西地区断裂带现今滑动速率的非连续接触模拟研究

以中国地壳运动观测网络1999、2001、2004和2007年4期GPS观测数据为边界条件,使用非连续接触有限元技术构建陇西块体二维有限元模型,在摩擦系数不确定性分析基础上,计算区内主要断裂带滑动速率。结果表明,现今地壳形变运动状态下陇西块体的北东向运动在海原断裂附近受到鄂尔多斯块体、阿拉善块体阻碍,陇西块体周缘的海原断裂带、老虎山断裂、西秦岭北缘断裂呈现左旋走滑特征,滑动速率为3.5 mm/a、2.2 mm/a和1.9 mm/a,说明在青藏高原推挤作用下以上关键部位正在进行快速的构造应变积累。     

基于MRVM的多输出边坡变形预测模型

为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。