经验模态分解和遗传小波神经网络法用于边坡变形预测

从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。     

高度角与信号强度联合对精密单点定位的影响

针对目前对于随机模型联合定权方面没有太多研究的现状,该文以全球定位系统/格洛纳斯卫星导航系统的实测数据为例进行了实验分析。对比分析了等方差随机模型、基于高度角的随机模型和基于信噪比的信号强度随机模型,并由此提出高度角与基于信噪比的信号强度相联合的随机模型。结果表明:该模型与等方差随机模型相比,提高了精密单点定位的精度,同时也优于基于高度角和基于信噪比的信号强度随机模型。