基于EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。

小波-ARIMA模型在贵广高铁隧道沉降预测中的应用

针对高铁隧道断面沉降状态的预测问题,提出了一种基于小波分析与自回归移动平均模型(ARIMA)组合的隧道断面沉降预测方法。分别采用ARIMA模型和基于小波分析的ARIMA模型对贵广高铁桂林-恭城路段隧道的沉降数据进行预测实验并对比,结果表明,基于小波分析的ARIMA模型对于高铁隧道断面沉降预测精度提高较大,且稳定性强,可以满足工程需要,是一种有效可行的隧道沉降预测方法。

去除DMSP/OLS影像模糊的RTSVD算法

DMSP/OLS作为最早的夜光遥感数据具有很大的应用价值,解决该数据存在的模糊问题,能够大幅提高数据质量。本文分析模糊原因,提出了一种结合Pct影像发光频率滤波的正则化截断奇异值分解(RTSVD)算法,该算法能有效消除影像模糊现象并保留影像真实信息。首先考虑到光源像素发光频率必定高于非光源像素,利用Pct影像中的像素发光频率排除平均灯光影像中的非光源像素,然后利用L曲线求得正则化截断奇异值分解的截断参数,以此对影像进行分解重组。试验表明,结合Pct影像发光频率滤波的正则化截断奇异值分解法可在保留影像信息的基础上去除模糊现象。