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。     

基于小波变换的雷达与光学影像匹配算法研究

分析了实孔径雷达与ＣＣＤ传感器影像不同的成像特点,讨论了采用小波变换进行边缘检测、影像分解与重建、实现分层匹配的方法;同时,提出了多种匹配算法模式。经过试验,取得了良好的结果。     

面波频散反演的数值模拟

大量的数值模拟表明,ＳＶＤ和ＬＳＱＲＤ在面波频散网格反演两步法中的应用效率都很好。但ＳＶＤ可以用分辨矩阵、信息矩阵和协方差矩阵对解估计进行数学上客观有效的评价,而对于大型稀疏方程的求解,ＬＳＱＲＤ确是一种内存注小,计算速度快以及分辨抗噪能力都较强的算法。在现有计算机运算速度较快、内存可以扩弃较大的条件下,实测数据量不很大时,应采用ＳＶＤ算法进行线性反演。     

ANN在海洋预报中的应用

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自学习和自适应等一系列优点,因而用它来进行海洋预报是可行的。针对海洋预报问题,初步建立了基于神经网络的预报分析系统,给出了应用实例。     

福建及其周边地区地震活动人工神经网络模型的构建

本文通过对福建及其周边地区地震活动人工神经网络模型的构建,研究了人工神经网络方法在基于该区域地震活动性指标的地震分析预报中的应用。选用含一个中章层的前向神经网络模型,并采用与之相适应的ＢＰ算法,以该地区１９７１～１９９７年的地震活动性资料为基础,用神经网络进行实际计算、分析和检验。结果表明：神经网络模型对福建及其周边地区地震震级的预测检验效果较好的,可以在一定精度范围内使震级预测的内符率达１００％     

状态转移矩阵的差分算法及其应用

指出用数值积分方法计算状态转移矩阵在程序实现时存在的困难。根据精密定轨和参数解算的实际需要,提出用差分算法,即通过两条接近的轨道的差来计算状态转移矩阵差分算法的优点是程序具有良好的结构且编程简单,其不足之处是差分时可能损失精度。将差分算法与数值积分方法的结果进行比较,提出克服其不足处的方法。     

梯级-关联算法原理及其在月流量预报中的应用

传统BP网络需要预先设定网络隐含层的层数和每层的节点数,使得在预测过程中难以确定网络的最优结构。与之相反,梯级-关联算法(CC)要求初始网络仅含有输入层和输出层,通过运算不断向网络增加隐含节点。在介绍梯级-关联算法原理的基础上,分别运用梯级-关联算法和BP算法对拉萨河拉萨站的月流量进行了预测,结果显示:在不损失预测精度的前提下,梯级-关联算法的运算次数仅为5次,而BP算法则需要运算70 000次,运算效率有很大的提高,同时网络的规模也有所减小。     

VC环境下最短路径算法的实现

设计了一种方便查找及显示最短路径的数据结构,对仅研究计算一条最短路径的Dijkstra算法加以了改进,并在VC下实现一个顶点到另一个顶点的所有最短路径的查找。     

基于提升算法和百分位数软阈值的小波去噪技术

在地震勘探领域,随机噪声一直是影响地震信号信噪比的主要因素之一,如何从被干扰的地震信号中有效去除随机噪声并保护有用信号具有重要的意义.针对经典小波变换在计算效率方面的缺陷,本文推荐应用提升算法实现第二代小波变换的构建,分析和对比了提升算法(Lifting Scheme)下不同小波变换方法的特性,选取更加符合小波域去噪原理的CDF 9/7双正交小波变换作为基本算法,同时应用了简单、有效的百分位数(Percentiles)软阈值进行信噪分离.通过理论模型处理,本方法可以在去噪能力和保护有用信号之间找到很好的平衡点.实际剖面的处理效果表明,此方法不仅能有效的滤除随机噪声,而且很好地保护有用信号,提高地震数据分析的精确性.     

基于MST聚类的空间数据离群挖掘算法

空间离群是指空间邻域中属性特征值明显不同于其他对象的空间对象,空间数据离群挖掘能为人们提供很多有趣的信息,但空间数据具有复杂的拓扑关系、方位关系和度量关系等空间特征,传统的面向事务型数据库的离群挖掘算法并不适用于空间数据库。本文提出了基于MST(Minimum Spanning Tree,最小生成树)聚类的空间数据离群挖掘算法(SOM);有机结合了最小生成树理论与密度的方法,既体现了空间离群的局部特性,又体现了空间离群的孤立程度。该算法通过MST维护空间数据的基本空间结构特征,通过打断MST中最不一致的边形成MST聚类,不仅具有密度的聚类方法能够聚集非球状簇和分布不均的数据集的特点,而且聚类结果不依赖于用户参数的选择,因此,离群挖掘结果更合理。最后,通过实例数据,验证了该算法的有效性,它适用于大规模空间数据集的离群挖掘。