共查询到20条相似文献，搜索用时 359 毫秒
1.
针对南海区域,使用3种重力信号(垂线偏差、重力异常、垂直重力梯度异常)训练卷积神经网络模型,并将预测结果与船测数据和国外模型结果进行对比分析。将3种重力信号分成4组数据：重力异常,重力异常与垂直重力梯度异常,重力异常与垂线偏差,以及重力异常、垂线偏差和垂直重力梯度异常。4种组合方式的反演结果与船测水深之间的标准差分别为104.780 m、102.778 m、93.788 m、88.289 m,表明随着不同类型重力数据的加入,水深预测精度明显提高,并且在深度大于2 000 m时,反演结果精度提升效果更为显著。将训练集占总数据集的比例分别设置为80%、70%、60%和50%,反演结果与船测水深之间的标准差分别为88.289 m、91.256 m、92.833 m、96.022 m,表明数据量的增多可以有效提高模型学习结果的精度。 相似文献
2.
利用在辽宁某地区实测的垂直磁梯度数据,采用欧拉反褶积方法对地下异常情况进行处理和解释。正演研究表明,理论计算获得的磁梯度比实测磁总场的灵敏度高,结合磁梯度数据和欧拉反演方法可以进行较为复杂地形的解释。通过将计算获得的磁梯度异常与实测磁梯度异常对比,后者对地质体的分辨率更高。对地面垂直磁梯度数据进行反演,结果表明：该方法能够准确地确定地下污水管道的边界和埋深。 相似文献
3.
重力-地震联合反演的改进及在遂宁-阿坝剖面的应用 总被引：1，自引：0，他引：1
针对传统顺序联合反演的缺陷,通过改变地下空间的网格剖分方式和约束条件的约束方式来进行相应的改进,并将拟BP神经网络算法和小波多尺度分析应用到反演中,以提高反演结果的分辨率和收敛速度。龙门山地区遂宁-阿坝剖面的反演结果表明,本文方法具有更好的反演效果。 相似文献
4.
针对聚焦反演方法在实测数据应用中存在的趋肤效应和反演结果发散问题,设计应用深度加权和数据加权的双重加权系数灵敏度矩阵,进行核函数处理。通过反演拟合理论正演模型实验,证明了该方法的可靠性。将双重加权系数运用到山东某矿区的实测数据,反演结果清晰地反映出地下异常体的边界和深度,与剖面电阻率结果比较,两者异常位置接近,该方法可反应实际异常情况。 相似文献
5.
滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。 相似文献
6.
地磁测深一维反演可以获得地磁台站下方地球深部电导率结构.将改进模拟退火算法应用于地磁测深数据的反演,并将基于反演过程中的所有优质解进行统计分析得到的期望值作为模型最优解.地磁测深合成数据的一维反演测试结果表明:对于无噪声的理论数据,传统模拟退火算法可以恢复出真实的电导率剖面;存在噪声时,相较传统模拟退火算法,改进模拟退... 相似文献
7.
提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。 相似文献
8.
结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。 相似文献
9.
针对电离层总电子含量(TEC)时间序列非线性、非平稳性等特点,提出以卡尔曼滤波对电离层TEC数据进行预处理为基础,融合长短期记忆神经网络模型,构建KF-LSTM短期电离层组合模型预测TEC的方法,并利用该模型预测2016年和2018年4个时段的高、中、低纬度及赤道地区36个格网点提前1 d的电离层TEC。结果表明,KF-LSTM组合模型预测效果优于传统BP神经网络模型和单纯的LSTM模型。在赤道地区,其预测效果与C1PG模型相当;在15°～75°N地区,其预测效果优于C1PG模型。 相似文献
10.
提出一种基于EM算法优化相关向量机(RVM)的BDS-3超快速钟差预报算法。首先,利用组合MAD法预处理钟差数据,并进行一次差分计算;然后,利用钟差一次差分数据对RVM模型进行训练,通过EM算法迭代求取模型的超参数;最后,利用优化后的RVM模型进行数据预测,将钟差一次差分预测值还原,得到钟差预报值。采用iGMAS中心提供的实测BDS-3超快速钟差数据进行预报实验,并将本文模型与QP模型、SA模型及iGMAS超快速钟差预报产品(ISU-P)结果进行对比分析。结果表明,对于6 h、12 h和24 h预报,本文模型预报BDS-3卫星钟差数据的平均精度均优于0.61 ns;与ISU-P、QP模型和SA模型相比,本文模型预报24 h时精度分别提升64.1%、50.0%和49.2%。 相似文献
11.
引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。 相似文献
12.
如何通过大地电磁测深反演方法来提高数据解释的精度一直都是大地电磁测深研究领域的重要课题。针对大地电磁传统反演方法存在的初始模型依赖、易陷入局部最优的问题,提出了一种基于深度学习的大地电磁二维反演方法。该方法首先设计GoogLeNetINV神经网络;接着构造多种地电模型,在TM模式下通过正演得到视电阻率数据,组成训练数据集;然后用训练数据集训练该神经网络并调整网络参数;最后,将视电阻率数据输入已训练好的GoogLeNetINV神经网络直接得到反演结果。实验结果表明,该方法能快速、准确地反演出“未学习”过地电模型的位置和电阻率数据,具有较好的泛化能力;使用噪声数据测试仍能取得良好的反演结果,有一定的抗噪声能力。将该神经网络应用于Bendigo Zone实际数据资料处理中,反演得到的电阻率模型与地震解释一致,因此基于深度学习的大地电磁反演方法能有效解决大地电磁反演问题。 相似文献
13.
根据南部非洲CMB上存在一尖锐边界S波低速异常体(超级地幔柱)的最新研究成果,利用地震层析成像及重力场理论,对该异常体的结构进行了探讨。通过建立模型,计算了该模型S波低速异常体所对应的密度异常产生的区域大地水准面异常,并将其和观测大地水准面异常进行对比。通过调整模型的几何构架、物理参数和力学平衡效应(流体静力学平衡及对流动力学效应所引起的核幔边界地形的起伏),寻找能够符合实际观测大地水准面异常的模型参数,最终得到非洲底部异常体的结构。单一的异常体模型计算结果表明,只有在选取低S波速度高密度异常时,模型预测大地水准面异常才能较好地吻合实际观测(EGM96)分布,由此可以推断,该异常体可能是高密度、低S波速的化学成分不同的异常体。但是当考虑全部地幔地震层析成像的数据,将其引入模型大地水准面异常的预测并且尝试一系列模型之后发现如果用简单叠加地幔地震层析成像数据和模型异常体对大地水准面的影响来预测该地区大地水准面异常,无法获得与观测大地水准面相吻合的结果。因而考虑更为复杂的动力学模型将是很有必要的。 相似文献
14.
为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。 相似文献
15.
为解决卫星重力梯度大尺度密度反演存在的平面模型误差、病态矩阵正则化、大型矩阵求逆、先验数据融合等问题,依托Tesseroid单元体模型,分别采用广义岭估计、代数重建(ART)、遗传算法完成了附加高斯白噪声的模拟异常体密度反演实验,并将反演结果与原始设定模型进行比较分析。 相似文献
16.
河流水质预测对于水环境管理与水污染防治具有重要意义。近年来,以神经网络为代表的非机理性水质预测模型已被广泛应用于河流水质预测领域。然而,此类模型不考虑水质因子变化的物理机理,导致预测结果难以解释、稳定性差。为此,本文将水质因子变化的物理规律视为一种先验知识约束,建模于门控循环单元神经网络（Gated Recurrent Unit, GRU）之中,以河流水质预测的重要参数溶解氧为例,提出了一种物理约束的门控循环单元网络（Physics-constrained Gated Recurrent Unit, PHY_GRU）。以美国亚特兰大市2021年河流溶解氧预测为例进行实例验证,结果表明：① PHY_GRU与差分自回归移动平均模型、多层感知机和门控循环单元模型相比,预测精度和稳定性明显提升,其中预测均方根误差分别降低了94.8%,62.9%和37.2%;② 综合考虑多种物理规律约束可以提升PHY_GRU的预测精度和稳定性;③ PHY_GRU采用门控循环单元模型训练样本的30%,其预测精度和稳定性即可超过门控循环单元模型。本文提供了一种在神经网络模型中融入水质先验知识的研究思路,有助于提升水质预测模型辅助决策的水平。 相似文献
17.
太湖水质参数MODIS的遥感定量提取方法 总被引：1，自引：0，他引：1
本文利用MODIS数据的可见光、近红外波段和准实时的地面采样数据,分别利用线性回归模型和神经网络模型反演了太湖的叶绿素a和悬浮物浓度.结果表明,利用MODIS数据的波段组合(M2/M8)和(M2/M9)可估算太湖的叶绿素a浓度;而MODIS数据的波段组合(M12/M17)、(M13/M17)及MODIS(M4)波段能定量估算太湖的悬浮物浓度,但估算精度仍不能满足实际需要.因此,构建了一个以MODIS可见光及近红外波段为输入,以太湖水质参数为输出的2层BP神经网络模型反演太湖的水质参数,大大提高了反演精度. 相似文献
18.
基于诱导有序加权平均（IOWA）算子,将差分整合移动平均自回归（ARIMA）模型和Holt-Winters指数平滑模型进行组合,采用SBAS-InSAR监测值进行矿区地表沉降预测,并与各单一模型的预测结果进行对比分析。结果表明,基于IOWA算子的组合模型的预测精度较单一模型有明显提升,其中各点均方误差（MSE）平均值为1.458 mm,平均绝对误差（MAE）为2.175 mm,可用于矿山地表沉降监测预测。 相似文献
19.
针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。 相似文献
20.
三维电阻率概率成像法研究 总被引：1，自引：0，他引：1
电阻率概率成像法是利用地表电场的测量值与电场扫描函数进行归一化的相似程度作为概率的成像方法。根据概率论的基本理论,引入幂函数并推导了电阻率异常发生概率函数。通过数值模型实验对此方法进行了验证,对多个孤立异常体和凹陷模型进行了概率成像。通过对浙江某地实测资料概率成像结果与常规最小二乘法反演结果进行比较表明,三维电阻率概率成像法能较好地分辨地下地电结构。 相似文献