基于粒子群算法的组合模型在变形分析中的应用

在构建并联组合模型进行变形预测时,单项模型权值的确定是个关键问题。为了提高变形预测的精度,以基坑监测数据为例,采用GM(1,1)模型与ARMA模型进行组合,在拟合误差平方和最小的准则下,使用粒子群算法求解两单项模型的最优权值,进而构建并联组合模型进行变形预测。结果表明,该方法融合各单项模型的优势,可以提高预测精度,避免求解线性规划问题,具有较好的实用性。     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阔值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析.与经典BP神经网络模型的预测结果相比,粒子群- BP神经网络模型的收敛速度更快、预测精度更高.     

加权变异粒子群BP神经网络在遥感影像分类中的应用

在经典的BP神经网络框架支撑下,利用加权变异粒子群算法使神经网络的训练更加科学,同时也更好地发挥了粒子群算法的优点,使其分类效果更加精准。实验后的分类结果表明,与改进之前的BP神经网络相比,总体精度和Kappa系数分别提高了0.108 3和0.138 3;与支持向量机、最大似然及最小距离等分类方法进行了对比,分类效果均优于以上方法。加权变异粒子群BP神经网络不仅可以实现遥感影像的高精度分类,对解决"同谱异物"和"异物同谱"现象也具有一定的作用。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难.非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点.粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性.     

加权灰色模型及其在变形分析中的应用

鉴于以往灰色模型背景值取值的不足,拓展了背景值的取值范围,提出在一定条件下任意加权模型背景值的确定方法,通过算例,得出RGM(1,1)模型预测和模拟效果相比较GM(1,1)和PGM(1,1)更好.     

灰色组合模型在滑坡变形监测中的应用分析

在GM(1,1)模型的基础上,主要研究了改进残差修正模型、灰色BP神经网络模型、灰色线性回归模型在变形数据的预计精度,并且结合实例分析了不同灰色组合模型在滑坡变形预计的精度以及优缺点。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

加权多变量灰色模型在变形监测中的应用

在变形监测过程中,监测因子较多,难以对监测因子进行合理的取舍。首先利用灰关联度分析方法,将监测因子根据灰关联度进行关联排序,为合理选择监测因子提供理论依据;然后,利用得到的关联度进行平滑处理,并将其作为权值建立加权多变量灰色模型,推广了传统的多变量灰色模型,提高了预测精度;最后,以南充水库土石坝沉降数据为例,验证了模型的正确性。算例结果表明,加权多变量灰色模型的平均相对误差比传统灰色模型小,模型精度也比传统模型高。     

大坝变形分析遗传神经网络模型的改进

针对基本遗传算法（SGA）收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络（IGA-BP）模型,并将该模型应用于大坝水平位移的预测。结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的改善。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

基于灰色关联分析的卡尔曼滤波在桥梁变形监测中的应用

在某长江特大桥桥面挠度变形监测过程中,考虑引起桥梁挠度变化的相关因素,采用灰色关联分析确定其中较重要的影响因子后,在传统卡尔曼滤波模型基础上建立改化后的状态方程和观测方程,从而完成相关因素的预测预报工作。实际应用结果表明,基于灰色关联分析的卡尔曼滤波对桥梁挠度变化的预测结果比传统滤波模型更加接近最终实测值,具有更高的准确性与可信度。     

矿区地表形变PPP监测自适应滤波算法及其应用

矿区地表易发生开裂、移动、塌陷等灾害,对矿区人文及生态环境造成巨大破坏。因此,针对矿区地表的监测研究意义重大。然而,常规的监测数据解算方法精度依赖于先验模型参数的准确性,若模型参数不准确,则解算精度难以满足监测需求。鉴于此,本文提出了基于PPP的矿区地表形变监测自适应滤波算法,并利用矿区工程数据进行试验,验证了算法的优越性。结果表明,本文算法能有效地控制动态模型参数偏差的影响,提高监测数据解算的稳定性,相比传统滤波算法,能够有效提高解算精度。     

Verhulst优化模型的建筑物沉降监测

针对经典Verhulst模型背景值建模机理的不严密和初始值设定的不科学性,该文给出了灰导数改进模型及模型参数的最优估计式。采用原始数据一次累加与其拟合值的残差平方和最小作为约束准则,推导出虚拟初始值的计算公式,建立了无须设定初始值约束的优化模型。以南水北调工程沉降监测实例,比较了在3种背景值构造方法和两种初始值约束条件下的预测精度。结果表明,该文提出的初始值优化模型与灰导数法构造背景值,所得残差的平方和最小,从而验证了优化模型的可行性,为沉降监测中长期预报建模提供了合理的解决方案。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。     

一种拓展的半物理时空融合算法及其初步应用

Landsat 5卫星较低的时间分辨率(16天)使得其很难获得大区域的、时相一致的清晰影像数据集。本文发展了一种基于半物理模型的时空融合算法-即乘性调制融合算法,并借助多时序的MODIS反射率数据来生成多时相的Landsat TM/ETM+反射率合成影像,经镶嵌后得到区域尺度的高时空分辨率地表反射率数据集(Landsat TM/ETM+)。本文利用吉林省2006年—2011年的Landsat 5 TM地表反射率数据以及500 m的MOD09A1反射率产品来生成3个时相的Landsat 5 TM反射率合成数据,从而获得研究区在上述时相下地表反射率数据的镶嵌图。初步分析表明,所生成的Landsat 5 TM反射率数据的光谱分布特征与MOD09A1反射率数据较为一致,且图像在整体上光谱特征的连续性较好。     

一种改进灰色预测模型在变形预测中的应用

针对传统的单一模型和非线性GM(1,1)-AR组合模型无法实现对非平稳、含噪时间序列信号进行优化处理的问题,该文提出了一种新的基于小波的GM(1,1)-AR模型预测算法。采用小波变换原理对监测数据进行消噪处理和不同频带的分离,有效地获取了实际变形量;利用GM(1,1)模型和AR时序分析模型对具有确定性的趋势项和不确定性的随机项进行建模组合,较好地综合了灰色模型拟合功能强大和时间序列善于处理细节信息两者优势。通过工程实例对比分析结果表明:基于小波的GM(1,1)-AR模型不仅有效剔除了多余噪声,还利用各种模型有机嵌套组合实现优势互补,新算法预测结果比各单一模型、非线性GM(1,1)-AR模型结果更为精确。     

基于K-means聚类的多面函数及其在DEM内插中的应用

中心节点的位置是影响多面函数拟合精度的关键因素之一。基于聚类算法的思想,提出采用基于K—means聚类的方法选取中心点,使得构造的中心节点对数据范同内的数据得到更好的响应,从而提高拟合的精度。最后通过实例验证本方法的有效性。