排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。 相似文献
2.
为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能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,在大坝变形预测中具有一定的实用价值。 相似文献
3.
全球定位系统干涉反射测量可用于估算近地表土壤水分含量。用遗传BP神经网络和多元线性回归分析将L1和L2两个频点的数据进行组合,以改进反演土壤湿度的精度。经理论分析和算例表明,遗传BP神经网络双频融合反演土壤湿度,改善了不同频点信号间存在的误差,融合后数据的变化趋势也更加接近于土壤湿度变化趋势;多元线性回归反演土壤湿度,可以准确计算L1、L2频点观测相位与实测土壤湿度之间的相关程度,提高预测方程式的效果;双频融合反演结果与土壤湿度参考值之间的相关系数R2分别为0.865、0.824、0.766、0.724,比L2频点至少提高17.5%,比L1频点提高了0.1%。 相似文献
4.
提出一种基于经验模态分解(EMD)和遗传BP神经网络的大坝变形预测新算法。该算法首先通过EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算法与灰色GM (1,1)、回归模型、普通卡尔滤波和遗传BP神经网络算法进行对比分析。结果表明,该算法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,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,在大坝变形预测中具有一定的实用价值。 相似文献
5.
6.
星载原子钟在空间环境中受到多种不确定因素的影响以及原子钟本身所具有的复杂特性,导致卫星钟差呈现出非线性和非平稳性变化。为此提出了一种新方法:先采用小波分解将原始钟差序列分解成高频分量和低频分量,然后利用遗传小波神经网络对低频分量和高频分量分别进行预报,最后将各分量的预报结果进行叠加得到最终的预报值,并与灰色模型、最小二乘支持向量机和遗传小波神经网络的预报结果对比分析。结果表明:该方法预报精度较高,预报残差更为平稳,应用于卫星钟差预报是可行有效的。 相似文献
7.
利用全球导航卫星系统反射干涉遥感技术(GPS-Interferometric Reflectometry, GPS-IR)可实现地表环境参数的监测。基于全球导航卫星系统多径反射信号与积雪深度之间的关系,针对目前已有研究较少的考虑多星融合对反演效果的影响,提出一种基于多元线性回归的多星融合积雪深度反演模型。为了验证算法的可靠性,利用美国PBO观测网络中的P101测站连续监测数据进行雪深反演研究。研究和实验表明:反演结果与积雪深度参考值具有显著相关性;多星融合能够有效综合各单颗卫星的反演性能,相关系数均大于0.940,相比单星提高了13.6%;RMSE和MAE均小于0.08和0.165。 相似文献
8.
针对滑坡变形具有非平稳性、非线性与随机性变化特点,提出将小波分解与RBF神经网络相结合应用于滑坡变形预测。通过实验进行小波分解及不同低频-高频分量组合的预测,着重分析了不同的小波分解层数、分量组合形式以及预测步长对滑坡变形预测的影响。实验分析结果表明:只有选取适当的分解层数、合理的低频-高频分量组合与预测步长,才能得到最优的预测效果。同时也验证了本文方法的正确性,对于滑坡变形预测具有一定的参考意义。 相似文献
9.
针对多路径反射分量中同时包含多种地表参数和噪声,难以准确提取卫星反射信号有效参数的问题,利用卡尔曼滤波对观测信号中的干扰进行削弱,以获取准确的卫星反射信号,用线性回归模型反演土壤湿度.经理论和实验研究表明,本文方法能够更为精确地反映测站周围土壤湿度的变化,有效改善了部分异常跳变现象,相比传统方法相关性提高18.1%. 相似文献
10.
提出一种基于经验模态分解 (EMD)和遗传 BP神经网络的大坝变形预测新算法。该算法首先通 过 EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化 BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算 法与灰色 GM (1,1)、回归模型、普通卡尔滤波和遗传 BP神经网络算法进行对比分析。结果表明,该算 法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,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,在大坝变形预测中具有一定的实用价值。 相似文献
1