基于极限学习机的变形分析建模研究

极限学习机(ELM)作为一种新型人工神经网络训练算法,相比传统前馈神经网络具有速度快、泛化性能好和不易陷入局部极值等优势,在图形符号处理、工业控制、市场分析与医学诊断等领域得到了广泛应用。本文将ELM应用于变形分析建模,建立了基于ELM的变形预报模型。试验表明,该模型克服了传统BP网络、支持向量回归(SVR)在学习速度、泛化能力和控制性等方面的局限,大幅提高了变形分析的建模效率与预测精度,具备较高的工程应用价值。

基于测量机器人的实时粗差探测方法研究

粗差探测是变形监测中一项重要的工作。随着全站仪技术的发展,测量机器人越来越多的应用到变形监测项目中,需要对获取的实时数据进行实时粗差探测。本文以Grubbs准则为基础探索了一种基于历史数据的实时粗差探测方法。经某电站实测数据测试表明,该方法可以识别出测量机器人返回数据中的粗差,同时解决观测值正常变化被识别为粗差的问题。

基于测量机器人的自动化观测数据修正建模研究

因受地球曲率、大气折光等因素影响,测量机器人(Georobot)三维监测系统存在测不准问题,这使得后续变形数据处理与分析受到极大的干扰。在后视基准点定期稳定检校的前提下,本文研究了一种基于测量机器人的自动化观测数据实时差分修正模型。工程实例分析表明,该模型可使得修正后的水平角与斜距精度分别达到0.5″和0.2mm,具备相当的工程实用价值。