高速公路路基沉降预测的神经网络模型

软土地基的沉降控制是保证高速公路建设质量的一个关键技术.论文主要介绍了一个对高速公路路基沉降进行预测的神经网络模型.对神经网络的BP算法进行了改进,提高了BP算法的学习收敛速度和网络性能的稳定性.神经网络法预测路基沉降的难点之一是合适的训练样本构造问题,论文提出了新颖独特的“训练样本”构造方法,且应用效果良好.利用路基沉降量实测资料直接建模,采用BP网络计算的改进算法,可较为准确地预测大约4个月之后的沉降量,预测值与实测值吻合较好.     

基于神经网络的房地产估价研究

根据房地产估价的特点将人工神经网络引入到房地产价格评估领域,创建了基于神经网络的房地产估价模型,在对训练样本验证结果分析的基础上,对两种神经网络估价模型进行了对比分析,指出了两种网络各自的优缺点以及改进措施。     

经验模态分解与神经网络的GPS可降水量预测

本文将经验模态分解与神经网络相结合的方法应用于GPS可降水量预测。对GPS可降水量进行经验模态分解,在分解过程中采用径向基神经网络处理端点问题,针对经验模态分解得到的每个分量分别运用径向基神经网络进行预测,并重构出最后的预测结果。重构结果与直接运用神经网络进行预测的GPS可降水量、实测GPS可降水量进行比较,结果表明,相对于直接预测,经验模态分解与神经网络结合的方法具有更高的预测精度。     

神经网络初始条件对似大地水准面拟合结果的影响

主要针对BP神经网络初始权值设置和学习集样本次序对似大地水准面拟合结果的影响进行研究,结果表明,在GPS/水准点控制区域内初始权值的设置对拟合结果没有影响,学习集样本次序对拟合结果的影响一般小于2.0 mm,得出对于构建厘米级似大地水准面,可以忽略初始权值设置和学习集样本次序对似大地水准面拟合结果的影响的结论,为神经网络方法应用于高精度、高分辨率似大地水准面拟合提供借鉴。     

基于神经网络坐标差学习的GPS坐标转换

提出基于神经网络坐标差学习的GPS坐标转换新方法,基于该方法利用某区域的GPS控制网观测数据将GPS点的WGS-84坐标转换为1980西安坐标,利用二维约束平差得到的GPS网点1980西安坐标系坐标作为比较数据,与传统的七参数模型和四参数模型方法的转换坐标和二维约束平差坐标进行比较。结果表明,利用神经网络方法进行坐标转换完全可行,传统方法和神经网络方法转换的坐标精度基本相当,神经网络方法略优且精度较均匀。神经网络方法可以得到统计精度优于±0.025 m的平面控制结果,能满足工程应用的需要。     

关于总体最小二乘方法适应性实验研究

总体最小二乘是近年来发展起来的较最小二乘方法更为严密的平差方法,总体最小二乘能够顾及系数矩阵和观测值矩阵同时存在偶然误差并加以改正。然而对于总体最小二乘方法的适用性以及在根据实际数据建立模型时总体最小二乘方法改正系数矩阵和观测值矩阵误差的能力问题还没有深入研究,针对一元线性回归模型,讨论总体最小二乘方法的灵敏性,利用仿真实验数据验证总体最小二乘方法在线性回归模型中的改正能力和优越性。     

基于遗传算法的RBF神经网络在GPS高程拟合中的应用

本文针对RBF神经网络中隐含层径向基中心值的确定,利用遗传算法对其进行优化,并应用于高程拟合的实验研究中。通过将遗传算法优化的RBF神经网络与K-均值优化的RBF神经网络及标准RBF神经网络进行高程拟合的误差对比分析表明:遗传算法优化的RBF神经网络提高了拟合的稳定度,改善了精度。     

基于CBERS的黄河湿地生物量反演研究

本研究以黄河湿地郑州段为研究区,利用RS与GIS技术,基于2009年5月7日获得的CBERS 2B卫星CCD多光谱遥感影像和地面实测植被生物量信息,采用回归算法构建反演模型,经对比分析得到最优计算模型。结果表明,反演模型计算精度达到86.32%,利用CBERS 2B卫星CCD多光谱遥感影像可满足植被生物量的反演需要。     

求解半变异函数的常用方法与新方法研究

半变异函数的获取既有人为主观求取法,又有运用数学工具客观求取法,但是后者是今后的主要趋势。笔者在前人工作的基础上,归纳出多项式回归法、线性规划法和目标规划法三种求解半变异函数的成熟方法,以及非线性回归理论直接求解法、进化计算和积分面积三种新兴方法,并总结出各种方法的优缺点。最后概括出计算权重的两种方法。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。