排序方式: 共有8条查询结果,搜索用时 8 毫秒
1
1.
2.
以2016-01-21门源MS6.4地震为例,提出用深度学习预测的GPS时间序列研究地震前兆。用震中附近门源台(QHME)、民乐台(GSML)及古浪台(GSGL)无震时的GPS时间序列训练LSTM神经网络,得到高精度的GPS时间序列预测模型,再分别对该地区无震时和地震前一段时间的GPS时间序列进行回溯性预测。对比预测时间序列与真实时间序列发现,震前2条时间序列大部分的相似性指标比无震时低,说明震前预测时间序列与真实时间序列差异明显,同时考虑震前时间序列的趋势异常,认为出现了异常时段;3个台站分别在E、N、U方向出现多个异常日期,且不同台站具有相同的异常日期,说明探索到了地震前兆。 相似文献
3.
4.
随着精密定位技术的发展,高频GPS已能够精确记录地表位移数据,研究高频GPS能为地震预警工作做出一定补充.针对目前地震预警中单站预警误报率高的问题引入深度学习技术,利用长短期记忆网络(LSTM)联合周边区域台站对单台站进行预警以达到减少误报的目的.首先通过对新西兰南部地区1 Hz高频GPS数据进行解算得到多个台站无震时间序列,再利用该数据训练网络得到融合区域特征的高精度模型.该模型可以对无震时间序列进行预测并动态制定阈值区间,当实际观测值超出置信区间则判定异常.通过与传统短时窗平均/长时窗平均算法(STA/LTA)及未融合区域特征的单站模型进行对比,结果表明:融合区域特征的单站模型可有效减少误报,在多个台站的无震长序列上较传统方法表现优异,具有一定的应用价值. 相似文献
5.
GAMIT软件在解算大型密集测站时一般需要进行分区处理,分区解算对结果的精度具有一定的影响。为了解决一般分区方法中长短基线同时存在而导致整网解算精度降低的问题,引入了K-means++算法和Hash算法实现分区,简称为K-means++分区法。首先利用K-means++算法对测站进行聚类,再利用Hash算法进行排序组合,这样能得到分布均匀的子网。文中采用整网解算结果作为标准值,分析区域分区法和K-means++分区法的基线长度、基线精度及三维坐标差,然后再将K-means++分区方法与间距分区法进行对比分析。实验结果表明,该方法比区域分区法精度更高,与现有的间距分区方法精度相持,且比间距分区法要稳定高效。 相似文献
6.
7.
全球定位系统(GPS)时序数据预测的工作中发现,通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响,将提升小波阈值降噪技术和长短期记忆(LSTM)神经网络相结合,实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离,然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比,结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性. 相似文献
8.
针对全球海潮模型在不同沿海地区存在差异性以及在中国近海精度不高的问题,利用全球海潮模型FES2004和NAO99b计算上海地区(经纬度范围为120.85°E~122.2°E,30.6667°N~31.8833°N)S2、M2、K1和O1四个分潮的海潮负荷位移在垂直分量上的差异;并利用中国近海模型osu.chinasea.2010对全球海潮模型FES2004中相应的区域进行替换,计算近海效应对SHJZ站(上海金山)、SHJBS站(上海宝山)、SHAO站(上海佘山)以及DCMD站(上海崇明)四个测站精密定位的影响。结果表明:1) 全球海潮模型FES2004和NAO99b在上海地区存在较明显的差异,尤其是垂直分量,最大接近4 mm,且两个模型的差异随离海洋距离增大而减小;2) 利用修正前后的全球海潮模型FES2004经过计算分析得出,近海效应对上海地区GPS测站精密定位的影响达到5 mm,对测站垂直分量的位移影响从大到小分别是DCMD站(5.1 mm)、SHBS站(4.9 mm)、SHJS(4.2 mm)、SHAO(3.6 mm)。 相似文献
1