粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

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。     

网格低潮面模型构建及精度分析

文章基于网格潮汐模型构建了网格低潮面(深度基准面)模型,分析了网格低潮面模型的精度影响因子,验证了网格低潮面模型的可行性和有效性.试验表明,网格低潮面模型精度优于20cm,在离岸较远的海区精度更高;基于网格低潮面模型的低潮面确定方法可以避免基准面确定需要设立验潮站获取(同步)潮位观测数据、沿岸低潮面(深度基准面)定义和算法存在差异以及基准面传递技术存在局限性的问题,尤其适合不易设立验潮站的海区的低潮面确定.     

改进粒子群优化最小二乘向量机卫星钟差预报

针对提高导航卫星钟差预报精度的研究不足的现状,文章结合灰色预报模型和最小二乘向量机预报模型的特点,研究建立灰色系统与最小二乘向量机的结合预报模型:引入惯性权值和加速度因子随优化代数变化的改进粒子群算法,以提高算法的优化能力;并用其对模型惩罚因子和核函数参数选取过程进行优化;选取具有代表性的卫星钟差数据,建立改进粒子群优化的GM-LSSVM模型进行短期钟差预报分析,并与传统的GM(1,1)预报模型和BP神经网络预报模型进行精度比较。仿真结果表明,优化后的模型预报精度优于GM(1,1)预报模型和BP神经网络模型。     

基坑变形小波去噪及PSO-BP神经网络预测模型研究

以地铁站基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。     

联合机载LiDAR数据和潮汐数据自动提取潮位线

首先,联合机载激光雷达(LiDAR)数据提取的海岸带数字表面模型(DSM)与验潮站数据提取的高、低潮面进行相交运算,生成"水陆二值图像",然后对其以提取边缘的方式提取高、低潮潮位线;针对LiDAR光束无法穿透水体导致低潮线附近DSM为无效值的缺陷,采取移动趋势面拟合法外推概略低潮线附近DSM,在此基础上重新提取更精确的低潮潮位线。实验表明,该方法能在较少人工干预的情况下有效提取高、低潮潮位线。     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

南极中山站的重力和区域海洋潮汐特征

本文利用中山站弹簧重力仪记录的重力潮汐时间序列、验潮站数据、CATS2008区域和Eot11a全球海潮模型研究重力和海洋潮汐特征。结果表明,在周日频段,潮波O1的海潮振幅达到28 cm,4个主要潮波（Q1、O1、P1和K1）的全球模型与验潮站潮高差之和为4.2 cm,区域模型与验潮站潮高差之和为4.4 cm;在半日频段,潮波M2的海潮振幅达到20 cm,4个主要潮波（N2、M2、S2和K2）的潮高差之和分别为7.7 cm和5.1 cm,说明利用区域模型修正全球模型的重要性。经区域模型修正的全球海潮负荷改正后,重力主波K1、M2和S2的最终残差振幅分别下降了9.84%、56.14%和37.08%,说明区域海潮模型更能反映海洋潮汐的真实特征,用区域模型修正全球海潮模型的有效性得到验证。     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

基于混沌粒子群优化神经网络的GPS高程拟合研究

针对普通神经网络模型存在预测精度低等问题,采用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络高程异常拟合模型。为克服粒子群算法易陷入局部最优,提出并建立改进算法,即先用混沌变量初始化粒子位置,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略,从而提高了模型的训练精度。试验结果表明,该方法具有更好的准确性和稳定性。     

自适应测站高的GNSS-R潮位监测研究

针对已有的GNSS-R反演潮位过程中由测站与潮位基准面高度的不确定性带来的误差,该文提出了一种 自适应测站高优化方法.该方法通过更新Lomb-Scargle谱分析噪声频率的阈值,可有效剔除噪声主频,从而提高GNSS-R反演潮位的精度.基于30 s采样间隔的GNSS的L2波段数据进行潮位反演的实验表明,该文提出的方法有效提高了GNSS-R反演潮位的精度.与传统反演方法相比,反演潮位与验潮站观测潮位之间的均方根误差降低了28.3％,相关系数提升了12.3％.同时,该文还证实了所提出方法求解出的自验潮站基准面起算的测站高度,可进一步应用于无验潮站或验潮站数据中断情况下的GNSS潮位反演.     

GNSS-R潮位监测抗差估计EI北大核心CSCD

针对GNSS-R反演潮位过程中,由测站天线相位中心与潮位基准面高度的不确定性造成的误差,本文提出了基于抗差估计的优化方法。通过确定观测值的最优权重,削弱水面高度粗差反演值,求解高精度测站高度,进而提高GNSS-R反演潮位的精度。基于HNLC、SC02、TDAM、TPW2这4个IGS GNSS连续运行跟踪站的数据,进行潮位反演试验,结果表明,与传统反演方法相比,本文方法计算所得测站高度分别提升了1.01、1.31、16.2、1.22 cm,反演潮位的均方根误差分别降低了26.7%、34.4%、84%、31.6%。同时,还证明了本文方法求解出的自潮位基准面起算的测站高度,可应用于后续无验潮站或验潮站数据中断情况下潮位的反演。     

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。     

模拟退火的粒子群BP神经网络数据处理探讨

为了提高监测数据分析与预报的准确性、实时性,提出将模拟退火算法与粒子群BP神经网络相结合应用于变形监测数据处理中。分别分析了3种方法的原理和计算过程,阐述了新方法的计算步骤,并通过实例说明该方法比传统的BP神经网络法拟合和预报效果更好。     

地表下沉系数选取的LWPSO-BP方法研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,本文以线性下降惯性权重粒子群优化算法(LLWPSO)为前处理器,优化BP网络的权值和阈值,利用实测资料数据,建立LWPSO-BP的地表下沉系数预计模型,并同普通BP模型预计结果对比结果表明:LWPSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地...     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题，该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维，消除其所包含的冗余信息；然后利用SAPSO优化BP神经网络的权值与阈值；最后使用训练样本训练模型，利用训练后的模型预测5组测试样本的下沉系数，并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合，其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低，可以有效提高下沉系数预测的准确性。     

基于PSO-BP神经网络的地表下沉系数选取研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,引入粒子群优化算法,建立地表下沉系数的PSO-BP选取模型。利用粒子群算法反复优化BP网络的权值和阈值,将其作为BP网络的初始值,并将上覆岩层岩性、开采深厚比、松散层厚度、覆岩中坚硬岩层所占比例、是否为重复采动和顶板管理方法等主要影响因素作为网络输入,进行BP算法,直至网络达到训练指标。利用实测资料数据,建立PSO-BP预计模型,并同普通BP神经网络预计结果对比。结果表明：PSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地表下沉系数选取具有一定的应用价值。     

小波分析与粒子群算法优化的灰色神经网络模型

针对灰色模型在测量数据波动较大时预测精度下降的缺陷,本文提出了采用小波分析与粒子群算法优化后的BP神经网络对灰色模型进行优化,生成了基于小波分析和粒子群算法优化的灰色神经网络预测模型。并使用青岛市航运中心的沉降观测数据对优化后的灰色模型进行精度验证,证明优化后的模型的预测精度相比于传统的灰色模型与经过小波降噪后的灰色模型,预测精度有了进一步提高。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

基于补偿波形调整的导航卫星轨道预报方法

针对利用动力学模型得到的预报轨道随时间推移精度衰减较快的问题,尝试采用神经网络作为建模工具改进北斗导航卫星轨道预报精度。对影响神经网络模型补偿效果的因素进行了详细分析,基于神经网络补偿波形调整策略制定了适应导航卫星短期、中期和长期预报的神经网络优化模型。利用实测数据进行了试验分析,结果表明,该方法可以显著改进利用动力学模型得到的预报轨道精度。短期预报中,当采用的训练样本距离当前时刻大于10 d时,应移动补偿波形;中长期预报中均应移动补偿波形。相比补偿波形不调整的神经网络模型,采用基于补偿波形调整的神经网络优化模型后,预报弧长为8、15、30 d时,改进率分别提高了2.3%、6.7%、10%。