灵武市体育中心沉降监测分析

根据相关规范,对灵武市体育中心建设过程进行沉降监测,通过监测结果得到沉降量和沉降速率随时间的变化趋势并进行预测分析,得到该建筑物的沉降变形规律,用于了解工程安全情况。     

220KV高压变电所地面沉降预测方法研究

连云港220KV高压变电所因地面发生大面积的沉降,直接影响运营安全。为了探究地面沉降的规律性,指导生产实践,本文以土方量作为研究对象,对220KV高压变电所地面沉降规律进行研究。在沉降区域内较均匀地布设一些能反映地面沉降情况的观测点,测定这些观测点的平面坐标,再定期对其进行沉降观测,求得每期观测点的高程值,从而得各观测点的三维坐标。利用南方CASS绘图软件具有的土方量计算功能,计算出每期沉降观测数据所对应的土方量。以土方量作为研究对象,选用Gompertz模型、双曲线模型、Logistic模型和指数曲线模型,利用1 st0pt软件对土方量数据进行拟合,建立预测模型,对研究对象进行预测并进行精度评定。通过研究发现,该方法能较好地反映地面整体沉降情况,与目前只针对个别点的沉降情况来研究地面沉降变化规律相比,具有明显的优越性。     

粗差数学期望平移模型的理论研究

现有文献对数学期望平移模型的理论分析仅考虑了观测值统计独立的特殊情况。基于观测值统计相关的一般情况,导出了数学期望平移参数估值(▽S_i)的简明表达式。在此基础上,采用统计预测理论对▽S_i进行了直观的理论解释,扩展了统计学文献中的有关结论。借助于实例,分析了▽S_i与最小二乘残差的本质区别。     

灰色系统理论在海堤沉降预测中的应用

利用灰色系统理论,对秦山核电站一期海堤沉降进行了预测,以较少的观测样本建立了新陈代谢数列,经后验差检验,观测精度达到一级。由此证明,用ＧＭ（１,１）模型进行预测,建模方便,预测精度高,在大型建筑物变形监测中有较大的实用价值。     

国家气象中心数值预报业务的进展

在最近的１５年中，国家气象中心的数值预报业务高速度发展，预报模式从北半球模式发展为全球谱模式，并配套建立了资料同化系统和用于降水预报的有限区预报模式，暴雨和台风预报模式正在研制中。目前数值预报时效已延至７天，Ｔ６３９３丙上时的预报水平已优于的数值预报产品的应用技术在不断改进，最高（低）气温下两天ＭＯＳ预报精度已接近预报员制作的综合预报结果。     

一种从经纬度网格资料获得正方形网格资料的插值方案

本文提出了一种把经纬度网格点上的气象要素值转化到正方形网格点上的多项式插值方案。对插值方案作了稳定性讨论和定量及定性分析。结果表明,这种插值方案方便可行,而且有广泛适用性。     

一种基于安全的网格数据副本策略模型

传统分布式文件系统中的副本量控制策略,主要是从内部资源的角度考虑副本的创建,未考虑外部需求的变化。这种策略不适合部署在以服务为基础、内部存储资源丰富的智慧城市云存储中心上。提出了一种结合数据安全（最小副本量）和服务需求（最优副本量）的副本量控制模型。模型中采用基于双时间粒度预测算法预测文件流行度,依据文件的流行度和系统资源动态调整云中副本数量。仿真实验结果表明,本文采用的动态副本机制在应对突发的大规模并发访问方面有显著优势;同时,相比常规的基于访问频率的动态副本,本文策略的存储资源占用量更少。     

Automated Prediction of CMEs Using Machine Learning of CME – Flare Associations

Machine-learning algorithms are applied to explore the relation between significant flares and their associated CMEs. The NGDC flares catalogue and the SOHO/LASCO CME catalogue are processed to associate X and M-class flares with CMEs based on timing information. Automated systems are created to process and associate years of flare and CME data, which are later arranged in numerical-training vectors and fed to machine-learning algorithms to extract the embedded knowledge and provide learning rules that can be used for the automated prediction of CMEs. Properties representing the intensity, flare duration, and duration of decline and duration of growth are extracted from all the associated (A) and not-associated (NA) flares and converted to a numerical format that is suitable for machine-learning use. The machine-learning algorithms Cascade Correlation Neural Networks (CCNN) and Support Vector Machines (SVM) are used and compared in our work. The machine-learning systems predict, from the input of a flare’s properties, if the flare is likely to initiate a CME. Intensive experiments using Jack-knife techniques are carried out and the relationships between flare properties and CMEs are investigated using the results. The predictive performance of SVM and CCNN is analysed and recommendations for enhancing the performance are provided.     

基于GIS的城市空间扩展预测

高速的城市扩展给社会发展带来了无比的活力。但是,也带来了一系列影响社会经济可持续发展的问题。因此,建立城市扩展预测模型对城市空间扩展预测有着实际的意义。本文主要是根据射线预测法的相关理论,使用Map Basic编程和Map Info软件进行相关操作,对济南市进行城市空间扩展预测并对预测进行分析,验证射线预测法的准确性。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...