共查询到20条相似文献,搜索用时 31 毫秒
1.
针对传统潮流分析方法在感潮河段实施走航数据潮流分离中的不足,提出了一种基于梯度训练法的径向基函数潮流分离方法,解决了传统潮流分析方法时序数据长、潮流分离实施复杂问题;也解决了基于贪婪拟合法的径向基函数潮流分离算法存在的节点位置无法准确确定以及过度拟合导致结果不稳定等难题;根据潮流分离结果重构流场,在徐六泾走航断面实验中取得了优于0.25 m/s的外推精度。 相似文献
2.
针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差(RMSE)分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%. 相似文献
3.
4.
神经网络辅助的GPS/INS组合导航自适应滤波算法 总被引:11,自引:2,他引:9
首先利用预报残差构造的最优自适应因子设计GPS/INS组合导航自适应滤波器。并针对BP神经网络存在的训练速度慢、容易陷入局部极小等问题,给出网络的改进算法。利用神经网络对自适应滤波器状态方程的预报值进行在线修正,给出神经网络辅助的GPS/INS组合导航自适应滤波算法。最后,利用实测数据进行验证。结果表明,改进的神经网络算法明显提高网络收敛速度;两种自适应滤波算法相对标准组合导航算法都能够可靠地反映载体运动轨迹;神经网络辅助的GPS/INS组合导航自适应滤波算法相对GPS/INS组合导航自适应滤波算法在精度和可靠性方面又有明显提高。 相似文献
5.
针对提高导航卫星钟差预报精度的研究不足的现状,文章结合灰色预报模型和最小二乘向量机预报模型的特点,研究建立灰色系统与最小二乘向量机的结合预报模型:引入惯性权值和加速度因子随优化代数变化的改进粒子群算法,以提高算法的优化能力;并用其对模型惩罚因子和核函数参数选取过程进行优化;选取具有代表性的卫星钟差数据,建立改进粒子群优化的GM-LSSVM模型进行短期钟差预报分析,并与传统的GM(1,1)预报模型和BP神经网络预报模型进行精度比较。仿真结果表明,优化后的模型预报精度优于GM(1,1)预报模型和BP神经网络模型。 相似文献
6.
为了提高卫星钟差预报的精度与稳定性,本文综合幂函数变换的GM(1.1)模型与Elman神经网络模型的优势,提出了一种组合卫星钟差预报模型。该组合预报模型实现卫星钟差预报的流程为:首先,使用钟差数据对幂函数变换的GM(1.1)模型进行建模并进行钟差预报;其次,将幂函数变换的GM(1.1)模型预报残值作为Elman神经网络模型训练样本进行模型训练与残差值预报;最后,将幂函数变换的GM(1.1)模型预报值与Elman神经网络模型残差预报值相加得到组合预报值。使用IGS提供的精密钟差数据进行实验,结果表明,本文提出的组合预报模型较单一的预报模型的预报精度与稳定性均有较大程度的提高,本文的研究对于高精度卫星钟差预报模型的建立具有重要参考价值。 相似文献
7.
8.
针对电离层总电子数对于提高导航定位精度的重要性,该文采用2014年国际GPS服务公布的年积日为第1~10d的电离层总电子数为原始数据,以自回归模型、灰色系统模型、BP神经网络模型两两结合的方式完成建模和预报。通过比较不同纬度、不同预测天数的实验结果分析各模型预报精度及适用范围。结果表明,利用BP神经网络模型对AR模型的预测值进行补偿,在赤道处模型拟合的相对精度达到91.32%;残差范围控制在-1.0~0.8TECU内,预报残差最优可达到0.0TECU,从而证明了该方法可以提高电离层总电子数预报精度。 相似文献
9.
随着城市经济的发展,城市内部出现很多深基坑工程,基坑的变形会威胁到周围建筑物的形变,因此,对基坑变形的研究变得尤为重要。时间序列和BP神经网络模型都是常见的监测数据处理方法,将时间序列模型与BP神经网络模型组合,对郑州某大型深基坑的沉降数据处理证明,组合模型得到的拟合精度要优于单纯的时间序列模型的建模精度。 相似文献
10.
11.
12.
13.
现今常见的变形监测数据处理方法有GM(1,1)模型、BP神经网络模型和径向基神经网络模型(RBF),本文分别采用GM(1,1)模型和RBF网络模型对基坑结构的水平位移量进行预测,并且采用基于方差倒数法的组合模型对上述两种单一模型预测值进行组合,以达到改善预测精度的效果。实验结果表明,组合模型的预测精度和可靠性优于单一模型,说明了该模型的可行性。 相似文献
14.
为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值. 相似文献
15.
利用小波变换分解变形监测数据,重构分离得到低频线性项和高频非线性项,线性特征强的子序列使用ARMA模型进行建模预报,非线性特征强的子序列使用神经网络模型进行建模预报,最后合成获得预报值。文中使用隔河岩大坝GPS变形监测数据进行建模预报,分析小波分解层数对预报精度的影响,提出平滑测度确定分解层数的方法,比较ARMA模型或神经网络模型和小波分解下的组合模型的预报精度,结果表明组合模型的预报精度优于单一模型,其精度在0.6mm,最大偏差为1.6mm,平均改善76%和77%。 相似文献
16.
胡文权 《测绘与空间地理信息》2023,(8):164-167
为了提高电离层TEC值的预报精度,建立更高精度的电离层TEC预报模型,本文在RBF神经网络模型的基础上引入奇异谱分析(Singular Spectrum Analysis, SSA)方法,构建新的电离层TEC预报模型。该组合模型首先通过SSA提取原始序列中的特征分量,避免噪声分量对预报结果的影响,其次将去噪后特征分量作为RBF神经网络模型的输入值。使用IGS中心提供的TEC数据序列进行模型验证,结果表明,无论是对平静期电离层TEC预报还是磁暴期电离层TEC预报,相比于单一的RBF神经网络模型预报结果,本文提出的SSA-RBF神经网络模型的预报结果均更优,其中平静期预报残差在2 TECU以内,磁暴期预报残差在3—4 TECU以内,验证了本文提出组合模型的优越性。 相似文献
17.
针对验潮站潮位预报的需求,提出一种基于分群策略的粒子群优化神经网络(SSPSO-BP)的预报方法。该方法通过建立多个不同功能且具有交流能力的智能粒子群,经SSPSO和BP的两次优化,构建潮高预报模型。实验研究表明,SSPSO-BP模型在Oga站的潮位资料上高、低潮位间的时刻基本保持一致,高潮时刻最大潮高差为7.37 cm,低潮时刻最大潮高差为4.21 cm,该模型比标准BP神经网络及PSO优化神经网络在准确度和精度上有了很大的提高,其平均绝对误差、均方误差相较于BP神经网络分别提升了16.2%、79.2%,相较于PSO-BP神经网络提升了13.9%、79.6%。 相似文献
18.
BP神经网络在大坝监测资料分析处理中有广泛的应用,本文针对改进的BP神经网络:LM-BP网络模型的不足,采用遗传算法加以改进,建立了一种基于遗传算法和LM-BP网络模型的大坝3维变形预报模型GA-LMBP网络模型。将GA-LMBP网络模型应用于小浪底大坝3维变形预报分析中,取得了很好的预报效果,证明了GA-LMBP网络模型是一种行之有效的大坝变形分析预报模型。 相似文献
19.
基于MEA-BP神经网络的卫星钟差预报 总被引:1,自引:0,他引:1
卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。 相似文献
20.
为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。 相似文献