改进遗传算法和BP神经网络的大坝变形预测

针对目前大坝变形预测精度不理想的问题,提出改进遗传算法和BP神经网络相结合的预测模型(IAGA-BP)。通过改进标准遗传算法的选择算子,增加种群多样性,自适应调整交叉和变异概率,对BP网络初始的权阈值进行深度寻优。通过选取实例数据,对BP、GA-BP和IAGA-BP模型进行大坝变形预测分析,分析结果表明,IAGA-BP模型能提高变形预测精度,具备良好的稳定性。

基于遗传小波神经网络的GPS可降水量预测

针对GPS可降水量时间序列具有随机性和非线性的特点,利用遗传算法优化小波神经网络的输入参数,建立基于遗传小波神经网络的GPS可降水量预测模型。结果表明,遗传小波神经网络预测方法的均方根误差为0.124mm,平均绝对百分误差为0.167%,其精度相比BP神经网络和小波神经网络方法均有明显提高,能更好地反映可降水量的变化特征。

基于小波分解与GA-LSSVM的GPS可降水量短临预报

针对GPS可降水量时间序列具有非线性、非平稳性的特征,研究一种基于小波分解(WD)、遗传算法(GA)和最小二乘支持向量机(LSSVM)的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量;然后利用遗传算法优化LSSVM参数,进而对各分量建立预报模型;再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验,并将预报结果分别与LSSVM和遗传小波神经网络(GA-WNN)预报结果进行对比。结果表明,该组合模型具有良好的泛化能力,可有效解决神经网络易陷于局部极小的问题,提高了全局预报精度。

雾霾天气与对流层延迟、气象因素的相关性分析

对流层延迟是影响卫星定位的主要误差之一,雾霾发生在对流层,因此雾霾对对流层延迟会产生不同程度的影响,从而影响卫星导航定位的精度。本文对对流层延迟与空气质量指数之间的相关性进行研究,进一步探究雾霾的主要污染成分与气象元素之间的关系,分析促进雾霾发生的条件。结果表明,从雾霾发生到消失扩散的过程中,对流层延迟与空气质量指数间表现出较强的相关性,随着气压、风速的降低和相对湿度的增大,雾霾发生的概率会增加。