残差修正的GM(1,1)模型在滑坡位移预测中的应用

根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。

基于IPSO-BP模型的滑坡位移预测

滑坡是一种常见自然灾害。建立滑坡预测模型及时做出预警对避免或减少人员伤亡和财产损失有着重要的意义。以BP神经网络的不足和局限性作为出发点,引入非线性惯性权重改进粒子群优化BP网络模型。提出IPSO-BP模型,并将其应用于四川省一处滑坡预测中。结果表明,IPSO-BP模型比其他模型与实测数据拟合结果更接近,能够有效反映滑坡位移的趋势。

灰色BP神经网络组合模型在地铁沉降监测中的应用

地铁路基沉降监测是变形监测中的一项重要内容,关系到交通运营的安全问题。为准确对地铁沉降进行预测,在灰色GM(1,1)模型及BP神经网络模型的理论知识的基础上,利用某地地铁沉降监测数据,采用灰色BP神经网络组合模型对地铁监测数据进行预测。通过监测数据和预测数据的对比分析,得出组合模型对地铁沉降数据预测较为准确、精度较高的结论。

基于Skyline的交通管理信息系统的设计与研发

交通行业是关系到我国国计民生的重要基础行业,建立交通管理信息系统在加强经济建设以及促进社会发展的过程中具有重要意义。为此,以收集到的交通信息数据成果为基础,借助计算机、GIS等技术,设计和研发了交通管理信息系统。系统中信息的空间数据查询与分析、交通规划、资产管理等功能,提高了分析决策的效率,促进了交通管理工作的自动化和科学化,对于交通管理有一定的参考价值。

不同灰色GM(1,1)模型在地铁沉降预测中的效果分析

将灰色系统理论应用在地铁沉降监测数据的预测预报中,用传统GM(1,1)、新陈代谢GM(1,1)模型和残差优化GM(1,1)模型分别对某地铁沉降监测数据进行预测,对比这三种方法对数据预测预报的结果,并对其精度进行分析,得出残差优化GM(1,1)模型对地铁监测数据预测准确、精度较高。

CPSO-BP组合优化模型的滑坡位移预测

针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。

中长基线的定位精度分析

基线模糊度快速解算是GPS网络差分技术的核心内容。基于GPS基线定位,对对流层延迟和电离层延迟的处理方法、宽巷模糊度的固定以及根据无电离层组合如何固定模糊度并实现最终定位等问题做了分析。实验结果表明,该方法解算结果与精密单点定位的解算结果并无显著差异,精确度相对较高。