共查询到20条相似文献，搜索用时 125 毫秒
1.
?????????????????????CR-InSAR?????????е?????о??????LAMBDA??λ??????f 3??f 11?????2009??2010????α???????У??????????????????????ú?????????????????????е?????? 相似文献
2.
��³������ִ��������о� 总被引：3，自引：3，他引：0
????????1956??1999??????????????????????????顢?????顢?????????????????????????????б??????е??????Щ???????????????4??????У?1956??1978????????????????????????????????ε????Ms7.4?????????????й??1978??1985???1990??1995?????????????????????????鶫??????Ms6.2 ??Ms6.1?????й?? 相似文献
3.
??GPS???μ???У???????????·??Ч????????????????ν??????λ??????г????д??????????ν????????????λ??????????λ?????????????????λ????????????????????????GPS?????λ?е?????λ???ξ????????????????????????Kalman?????????к????????????y????????????RPDOP??????Kalman??????и???????Ч???? 相似文献
4.
????InSAR??????ENVISAT ASAR?????????????2008??3??21??????7.1??????????α?????????????????????????????????????????????????????????????????????????????????????????????????????????????λ??????0~14 km???????????λ???ж?F2??2.05 km?????5.47 m??????F1????????????????????????????ж?F2?????F3-N/F3??S??????????????????????????????????????????????ж?????Σ????λ???????С?????????????Mo=5.16??10 19 N??m?????????7.07???? 相似文献
5.
�شż�ж����Ӧ�ȷ����ڵ���Ԥ���е�Ӧ�� 总被引：3，自引：0，他引：3
??????ж?????????????о???????????1982??2006????Z??????ж??????????????????????????Ms??5.0????????????????????????1??????25?????????????????о???????19?Σ??????11????????????????13?Σ????15?????鱨3?Σ????2?Σ?2??????????????????????????????????????????????????3??????????Ч?????R=0.44????????顣 相似文献
6.
????STK?????COMPASS??GPS??GLONASS?????в???????????棬???й????????????????????PDOP??????λ??????з????????????????????????λ?????????UERE???????￡????????????????λ?????5??6 m??PDOP???0.8??0.9??????????????????????????????????????????????μ?PDOP????????λ????????????????????? 相似文献
7.
????????λ???????????????3????????????????????編???н??????????????????????????????????2007~2010?????20??ENVISAT ASAR?????÷????????????????????Э??????????У?????????????????й????????????Э?????????????????????3.1 mm2??????0.6mm2????????80%??e-folding???????????1.5 km?????0.21 km????????86%????????編??????Ч??У????????е??????λ????? 相似文献
8.
???????????????????????????????????????????????????????????????????????ж?λ?????????????????????????????????Σ??????λ?????????????????????????????????????????????μ???????????????б???????????????????????????????ú???????????????????????????????????????Ч?????б??????????????????ò??ù??????о????λ???λ????? 相似文献
9.
?????????????????????з??????о?????????????GPS?????ж?????????????????????????????о??????λ????????????????λ???????????? 相似文献
10.
���ø�ƵGPS���е���̬���η���������λ 总被引：1，自引：0，他引：1
???t??????λ???????ó??????Mw 9.0??????8??GPS????????????С?????????GPS?ο?????????α??????????????????Σ????????λ???5.9 m???????????λ???1.8 m????λ?????峯?????з???????????ο??????????????????????????λ?ü?S?????????? 相似文献
11.
以三峡库区秭归-巴东段为例,将地理加权回归(GWR)模型引入到研究区的空间尺度分割方法中,利用粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,构建GWR-PSO-SVM耦合模型,完成研究区滑坡易发性评价,并与传统的PSO-SVM耦合模型结果进行对比。结果表明,在特定类别精度分析、总体预测精度分析和曲线下面积分析中,本文方法评价效果均优于传统方法。 相似文献
12.
机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。 相似文献
13.
一种基于熵权法的小波去噪复合评价指标 总被引：2，自引：0，他引：2
传统的评价指标在真值未知的情况下不能满足小波去噪质量评价的要求。为此，借助变化率特征重新构建均方根误差变化量和平滑度变化量两个指标，利用熵权法定权将归一化后的两个指标线性组合，所得到的新指标即为复合评价指标。该方法借助指标的变化率随分解层数的增加表现出明显的收敛特性来确定去噪最优分解层数。实验表明，该方法能够在真值未知的情况下准确地指导小波分解，确定去噪最优分解层数，从而达到最优去噪效果。 相似文献
14.
建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。 相似文献
15.
多类支持向量机在语音识别中的应用 总被引：1，自引：0，他引：1
针对语音模式识别,引入多类（M-ary）支持向量机来进行分类。并详细的介绍了M-ary支持向量机的概念以及语音识别系统中的实现方式。通过仿真实验,与BP神经网络、SVM进行比较,验证了M-ary支持向量机具有识别率高,抗噪能力强等优越性。 相似文献
16.
针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结... 相似文献
17.
针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。 相似文献
18.
为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。 相似文献
19.
介绍一种稀疏的贝叶斯学习算法——关联向量机(RVM)，它在再生核希尔伯特空间中学习，利用贝叶斯方法推理，推广能力好，与支持向量机相比不仅解更为稀疏而且不需要调整超参数。应用RVM的对小样本的良好分类能力，提出一种基于RVM的入侵检测原型系统。 相似文献
20.
提出一种综合的多面函数参数自适应选取方法。该方法利用核函数阶数和平滑因子存在最优值以及核函数结点分布应符合高程异常变化趋势的特点,综合利用正交化算法选取核函数结点以及二维粒子群算法确定最佳阶数和平滑因子,实现多面函数参数的完全自适应选取。将该方法应用于地形起伏差异不同的2个测区,结果表明,相比传统经验性方法和部分参数自适应方法,该方法用于GPS高程拟合的精度和可靠性更高。 相似文献