一种基于蓝牙室内指纹定位的贝叶斯改进算法

贝叶斯估计是重要的位置指纹定位算法,但传统的等值贝叶斯先验概率在动态定位中不适用。针对该问题,本文提出了一种基于贝叶斯指纹定位的改进算法。首先,借助陀螺仪获取的航向信息和高斯核函数模型建立概率投票算法,计算先验概率;然后,结合先验概率和信号强度计算待测点位于参考点上的后验概率;最后,选取概率最高的参考点,以概率为权重计算待测点的最或然值。以智能手机为试验对象,在规则路径试验中,改进算法的平均定位误差为1.15 m,定位误差小于2 m的概率为96.1%,不规则路径试验中,平均定位误差为0.50 m,定位误差在1 m的可信度为94.8%;并且改进算法对定位中位置跳变的现象有明显改善,具有较好的稳健性。     

变形监测数据预报的动态贝叶斯ELM方法

贝叶斯极限学习机(BELM)具有充分利用数据先验信息,可以自适应估计模型参数的特点。但在样本数量不断增加时,如果每次都对BELM重新训练将会降低计算效率。针对此问题,本文提出一种动态贝叶斯极限学习机(DBELM)方法以应用于变形监测数据实时预报。该方法以BELM训练的模型参数为初值,根据新增样本信息可对初始模型参数进行动态更新,并从理论上推导了相关计算公式。通过对仿真数据和实际变形数据进行详细分析表明:DBELM方法的预报精度要优于BELM、正则化极限学习机(RELM)、极限学习机(ELM)3种方法。特别是在长期持续预报过程中,其预报性能相对于其余3种方法优势明显。这充分表明了所提方法应用于变形监测数据预报领域具有可行性和有效性。     

联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。     

机器学习的地名专名音译技术研究

针对现有地名专名音译中因无法良好获取地名音节划分而导致的准确率低与可用性差等问题,该文提出了基于机器学习的地名专名音译技术。在该技术中,该文对音标生成、音节划分两个关键部分进行了讨论,分别研究了基于循环神经网络的音标生成方法和最小熵的音节切分方法。通过新研究的单词音标生成算法与音标音节切分算法,从两个角度解决了机器对单词音节识别差的问题。经过地名翻译实验,证明了该音译技术比传统方法具有更高的准确率。     

CPSO-BP组合优化模型的滑坡位移预测

针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。     

遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知,但PM2.5浓度监测积累时间较短,且受到排放强度和气象因素的影响,因此可融合全球导航卫星系统（Global Navigation Satellite System,GNSS）天顶可降水量（precipitable water vapor,PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例,首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析;然后将大气污染物、GNSSPWV和风速作为输入,PM2.5浓度作为输出,利用逆传播（back propagation,BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型;最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现,预测PM2.5浓度等级准确率高,相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。     

基于神经网络模型误差补偿技术的对流层延迟模型研究

针对传统对流层延迟模型精度较低的缺点,基于神经网络模型误差补偿技术,在Hopfield模型基础上建立一个适用于北半球的高精度融合模型。以Wyoming大学提供的2010年全球120多个观测台站的气象探空数据精密解算的天顶对流层延迟(ZTD)作为近似“真值”,分析比较Hopfield模型、传统BP模型和融合模型的计算精度。结果表明,Hopfield模型的均方根误差（RMSE）为35.31 mm,传统BP模型为30.34 mm,融合模型为23.31 mm。     

分部加权的行道树检测网络构建

基于深度学习目标检测框架,提出了一种端到端的训练网络,用于行道树的自动检测。由于行道树之间的遮挡问题,现有的通用物体检测框架无法直接应用于此任务,为此本文提出了一种树形分部加权模块,以减少严重遮挡造成的错误检测。然后对提出的神经网络进行训练和评估。结果显示,本文所建立的分部加权树木检测网络能够在遮挡条件下,有效地检测出街景图像中的行道树,该方法在各种条件下均具有较高的精度和良好的稳健性。     

河口型水源地供水安全风险分类评估方法比选研究

为科学评估河口型水源地供水安全风险,基于水源地特点,在建立相应供水安全风险评估指标体系的基础上,采用层次分析法确定指标权重,结合选取灰色关联度法和BP神经网络法对某河口型水源地分别开展供水安全风险分类评估。以某次咸潮入侵事件数据为例,经采用两种方法评估后对比表明:灰色关联度法能较好地解决评价指标难以准确量化和统计的问题,具有定性与定量相结合评价精度较高的优点,更适合于河口型水源地供水安全风险分类评估。该水源地风险分类评价等级由高到低依次排序:水量风险(较高)→应急风险(较低)→工程风险(较低)→水质风险(低),其结果与实际相符。