矿区GPS高程异常相关向量机拟合模型

为提高GPS高程异常拟合的精度及可靠性,基于相关向量机模型（Relevance vector machine,RVM）,提出了一种稀疏化概率式的GPS高程异常SVM拟合模型。以柯西核函数与交叉验证法构建相关向量机,并推导了置信区间的估计公式。以某矿区GPS高程控制网为例,构建了基于相关向量机的高程异常拟合模型,并与多项式拟合、BP神经网络和遗传最小二乘支持向量机进行精度对比,通过置信区间估计,评价拟合结果的可靠性。试验结果表明：①相关向量机的平均绝对误差 （Mean absolute error,MAE）、平均绝对百分误差（Mean absolute percentage error,MAPE）、均方根误差（Root mean square error,RMSE）等精度指标均较大幅度优于多项式、BP神经网络和遗传最小二乘支持向量机;②测试数据集的实测高程异常均在相关向量机估计的置信区间内。上述试验结果进一步表明：相关向量机是一种精度及可靠性高的矿区GPS高程异常拟合方法,对于快速测定矿区正常高有一定的参考价值。     

基于高程异常拟合二次多项式模型的矿山测量数据处理方法研究

针对矿山测量数据存在精度差、易受外界因素干扰、测绘难以维持且基准不统一等问题,采用高程异常拟合二次多项式模型,推导出了模型显著性检验的算法与方法以及随机模型误差对函数模型显著性检验的影响;通过对Reilly线性化函数的使用,实现了应用模型拟合残差对未知点随机信息的推估;并且使用残差推估方程与Reilly函数,计算了高程异常拟合后残差推估,矿区高程异常拟合实现证明,利用协方差函数推估高程异常拟合残差的可行性与有效性,研究为解决矿山测量数据存在的问题提供一定理论依据。     

基于最小二乘支持向量机和人工鱼群算法的GPS高程异常拟合技术

为了有效地解决最小二乘支持向量机(LSSVM)进行高程异常拟合时,人工选择参数造成拟合精度损失的问题.该文采用人工鱼群算法(AFSA)对参数进行优化选择,提高了最小二乘支持向量机拟合精度.通过分析,AFSA-LSSVM模型在样本点较少时拟合残差均小于5mm,差值标准差为2.6mm,表明该算法优于传统的拟合方法.     

基于SVM的GPS高程拟合模型研究

文中介绍了SVM的基本原理和拟合模型,研究了选取不同的核函数、不同的误差惩罚参数C、不同的核参数g、不同的学习样本数对GPS高程拟合精度的影响规律.研究结果表明,采用RBF核函数具有最好的拟合效果,过大和过小C、g值都不能取得好的拟合效果,学习训练时应尽可能多的提供学习样本的数量以提高拟合精度.     

基于整体最小二乘法的GPS地质高程拟合研究

在测绘领域,关于整体最小二乘法的应用研究刚刚开始,受到众多学者的关注,如何提高测量数据处理的精确度与稳定性是目前面临的根本任务,将整体最小二乘法应用于GPS高程的拟合中,对拟合函数进行参数求解,并且该方法解算结果与传统最小二乘法解算结果进行对比分析,研究得出:模型以二次曲面模型为依据,对测量数据进行计算,计算结果与传统的最小二乘法相比,整体最小二乘法建立的模型更加合理、更加严密;对具体数据进行算例解算分析,并应用于平面模型与曲面模型中,然后通过整体最小二乘法与传统最小二乘法进行对比分析,采用整体最小二乘法进行GPS高程拟合得到的拟合结果更加贴近实际情况、更加准确。     

GPS高程拟合模型确定

结合工程实际，对广东某市GPS网的GPS高程和联测的几何水准采用多种拟合方式进行拟合。对结果进行分析和比较，最后得出在选择拟合模型的时候，既要对模型进行横向比较，即同一模型不同条件之间比较，也要进行纵向比较，即相同的条件不同的模型之间进行比较。     

GPS高程拟合在露天矿山测量中的应用

文中提出均匀选择利用矿区原有水准控制点,并对之进行专门的GPS静态测量,从而建立矿区似大地水准面拟合模型的方法。再将RTK成果的大地高程转换成矿区正常高高程,达到充分利用RTK垂直定位精度,提高露天矿采剥工程量验收精度的目的。     

线性内插法在GPS高程拟合中的应用

在工程实践中需要将GPS所测的大地高转换为工程上所采用的正常高。由于重力数据的缺乏,通用的转换方法为GPS高程拟合法。在实际应用中,一般通过最小二乘的方法进行拟合。然而,在某些情况下,最小二乘的方法并不是最简便的方法。该文介绍一种更为简便的线性内插法。试验证明,线性内插法符合工程上的需要。     

加权总体最小二乘法及其在GPS高程拟合中的应用

多项式函数法是GPS高程拟合的常用方法,而常规的最小二乘解算方法没有考虑系数矩阵误差这一问题。该文分析了不同形式的多项式函数以及系数矩阵中观测元素之间的不等精度性,在基于二次曲面函数的GPS高程拟合中引入加权总体最小二乘的方法,并依据误差传播定律、实际观测精度情况定权。采用加权总体最小二乘问题的迭代解算方法,经过实例计算,对比分析加权总体最小二乘法与总体最小二乘法、最小二乘法的计算结果,验证了加权总体最小二乘法更加合理,可以求得更准确的模型参数。     

基于抗差估计的神经网络高程拟合方法研究

大地水准面的精化与高程转换是现代控制测量的基础内容。文中从原理和数学模型对比了常见高程拟合方法的特点及适用范围,针对每种方法数据处理过程中抗差性进行了分析总结;针对高程拟合模型中存在的抗差性较弱的问题,提出了一种基于抗差估计的神经网络高程拟合的方法,对实现数据自动化采集过程高程拟合精准度提高有一定的意义。     

GPS高程拟合方法研究

当前工程测量中采用的高程为正常高,而GPS测量获得的高程为大地高,两者之间存在高程异常。为求解高程异常值,结合Matlab软件,对GPS高程拟合方法进行了研究。结果表明：①测区点位呈面状分布时,采用曲面拟合法更能反映测区的似大地水准面状况,其精度优于曲线拟合法;②BP神经网络拟合法的拟合效果较好,并且组合法的拟合精度优于单一拟合法的精度;③曲面拟合法、曲线拟合法、BP神经网络拟合法以及组合法的内、外符合精度均满足四等几何水准要求。研究表明,运用Matlab软件进行GPS高程拟合精度较高。     

基于中位数回归分析的矿区变形监测数据处理

经典的一元和多元线性回归模型多采用最小二乘方法进行参数解算,但最小二乘估计无抗差能力,遇到异常值干扰易导致参数估值出现偏差。为提高回归分析方法的抗差性,将中位数引入回归分析方法中,提出了一种基于中位数的回归分析方法。详细分析了回归分析的相关理论以及基于中位数的回归分析方法的基本原理;以淮北某矿区建筑物的实际变形监测数据为例,分别对变形监测数据进行了最小二乘回归分析、抗差最小二乘回归分析以及中位数回归分析,并对其拟合及预测效果进行了对比。结果表明：观测量受到粗差污染时,中位数回归分析方法可有效抵抗异常值的影响,拟合效果及预计结果均优于其他2种方法,对于提高矿区变形监测数据的处理精度及效率有一定的参考价值。     

白石湖露天煤矿首采区资料处理技术

为了开发哈密伊吾县淖毛湖煤田资源,查清该区地质构造和煤层储量情况,使数据采集观测系统合理,野外采集过程中严格执行《煤炭煤层气地震勘探规范》及《设计》要求,资料处理流程及参数合理,地震时间剖面信噪比高,目的层有效波突出,取得了良好的基础资料。并对资料进行了认真细致地分析、对比和解释,效果明显。     

基于量子神经网络拟合法的矿区地表变形监测

矿区地表变形监测受到矿区地质构造条件、开采规模、采矿工艺等因素的影响,目前常规的矿区地表变形监测方法具有流程繁琐、工作量大、监测精度低等不足,为此,提出了一种基于量子神经网络拟合法的矿区地表变形监测方法。该方法通过将矿区监测点x、y坐标作为神经网络输入层神经元,将监测点的高程异常量（ξ）作为神经网络的输出层神经元,经多次迭代获得最优解。基于某矿区GPS监测数据,分别采用二次多项式拟合、BP神经网络拟合以及所提方法进行对比试验,并引入内、外符合精度作为各方法拟合精度的评价标准,结果表明：对于不同分布的监测点以及不同数量的监测点,所提方法相对于其余2种方法而言具有较高的内、外符合精度及较小的残差,对于提高矿区变形监测精度有一定的参考价值。     

基于改进的自组织特征映射异常数据挖掘算法分析

本文在总结异常数据挖掘原理及检测方法的基础上,提出了基于改进的自组织映射的异常数据检测方法并对蕴知性异常数据知识发现阶段进行探索与研究,为数据挖掘领域提出了新的解决思路与研究方案。     

基于小波变换的矿区地表变形监测数据处理

文中就目前矿区地表变形分析存在的一些不足之处,提出采用小波变换进行数据降噪处理,使数据达到平滑;同时利用小波变换对形变大的图像进行降噪、压缩处理,在此基础上对矿区地表变形监测数据进行特征提取。并且给出了某煤矿的变形监测数据的处理情况,论证了小波变换在矿区地表变形分析上的可行性。     

基于TerraSAR-X数据监测矿区地表沉陷

采用TerraSAR-X数据,运用GAMMA软件进行D-INSAR二轨法数据处理,获得某矿区工作面地表下沉数据,绘制出相应的下沉盆地,对比实测数据,研究得出:矿区D-INSAR监测下沉值曲线与水准实测下沉值曲线在走势上一致,得到了两者差值和点位距离地表最大下沉点距离之间的变化规律;尝试性的给出了改正公式;改正效果满足地表形变监测的需要。     

矿区边坡变形预测的IGM-LSSVM模型

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型（gray model,GM）仅适用于分析指数型变形序列,且最小二乘支持向量机（least squares support vector machine,LSSVM）在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型（IGM-LSSVM）。将几何平均生成变换引入GM（1,1）模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法（artificial bee colnony,ABC）在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法（adaptive metropolis artificial bee colnony,AMABC）;利用AMABC算法优化的LSSVM训练GM（1,1）模型得到的预测残差值补偿GM（1,1）模型,得到最终预测值。某矿区边坡变形预测表明：AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM（1,1）、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223%,9.565％、3.200％,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值。     

基于数据挖掘的矿山企业智能安全监管系统模型研究

提出利用数据挖掘技术建立包括监管部门、矿山企业及基层职工三层结构的矿山企业安全监管信息系统模型,为矿山企业提供一个监管机构与企业内外部共同监管、设备与人共同作用的矿山安全管理系统。