基于PCA和改进CS-RBF的滑坡预报模型

滑坡灾害给人们的生命财产带来严重威胁,加强对滑坡灾害的有效预报具有重要意义。以陕西省山阳县研究区滑坡监测点为例,提出一种基于主成分分析算法(Principal Component Analysis,PCA)和布谷鸟算法(Cuckoo Search,CS)优化径向基神经网络(Radial Basis Function,RBF)的滑坡概率预测模型。首先确定该地区的滑坡灾害发生的主要影响因素,利用PCA算法将滑坡影响因子进行降维,避免数据维度过大,造成模型冗余的问题,将降维后的数据输入到RBF神经网络中进行滑坡概率预测;其次,利用改进的布谷鸟算法进行参数寻优,提高滑坡发生概率预测的准确性。并采用BP(Back Propagation)、RBF、GA-RBF(Genetic Algorithm-RBF)、CS-RBF等多种模型与改进CS-RBF模型进行对比实验,结果表明CS-RBF模型预测性能优于其他几种模型,其均方根误差为0.01756,平均绝对误差为0.01178,该模型可靠性更高,为滑坡预警的实际应用提供有力的支持和保障。

基于参数限定的CS-RBF曲面重建算法

针对非密度均匀的点云,提出了一种高效保持特征的曲面重建算法。首先利用八叉树进行点云空间分割,然后对每个点在小邻域内求出局部逼近曲面,建立隐式曲面方程。通过参数限定点的邻域范围,使整个算法既保证了重建效果,又不致于很大程度上增加重建时间,达到了速度和效果在一个范围内的平衡。实验结果证明,本算法重建效果良好,适用于各种散乱点云的重建。

基于三维激光扫描数据的智慧校园三维重建建模研究

在智慧校园三维重建建模中,往往需要耗费较长时间建模,但构建模型的精度却较低,设计一种基于三维激光扫描数据的智慧校园三维重建建模方法。利用三维激光扫描仪采集智慧校园三维重建建模数据。对于扫描仪无法测量的区域,采用钢尺或架设全站仪的方式实施数据补充采集。设计基于主元分析法的点云配准算法,对采集的三维激光扫描数据实施配准处理,实现多站数据坐标系的统一。对于规则的智慧校园实体模型,使用特征线提取建模方法实施建模。对于不规则的智慧校园实体模型,使用的建模方法为多尺度CS-RBF算法。利用设计方法实施某高校的校园三维建模,测试该方法的建模性能。测试结果表明,设计方法对于新老校区的建模时间分别为96 h、47 h,时间较短,同时玻璃缺失面积较小。

基于RBF神经网络的网络安全态势预测方法

基于径向基函数(radial basis function,RBF)神经网络,给出一种网络安全态势预测方法。依据网络安全态势值之间的非线性映射关系进行态势预测。采用布谷鸟搜索算法对RBF神经网络的结构参数进行优化,并在其间引入模拟退火算法思想和动态发现概率机制,以提升预测精度。仿真实验显示,所给预测方法有效,改进后的布谷鸟搜索算法搜索效率更高,寻优结果更精确。

快速全局优化算法在电磁场逆问题中的应用

为解决电磁场逆问题分析计算过度依赖计算机资源这一"瓶颈"问题,提出了一种新的快速全局优化算法。该算法首先应用基于紧支集径向基函数(CS-RBF)的改进表面响应模型(RSM)重构原优化问题;然后应用改进的粒子群算法(PSO)对重构的优化问题进行快速全局寻优。研究表明,典型数学函数验证以及电磁场逆问题的分析和计算,验证了算法的全局搜索和快速寻优能力。

改进CS优化RBF神经网络的汽车热舒适性预测

针对汽车驾驶环境热舒适性指标预测平均热感觉(predicted meanvote,PMV)计算复杂、预测精度不高的问题,提出了改进布谷鸟搜索(cuckoo search,CS)算法优化RBF神经网络的汽车热舒适性预测模型(改进CSRBFNN)。采用自适应步长和高斯扰动因子对CS算法进行改进,并用其对RBF神经网络的中心点c和宽度参数b进行优化。将改进CS-RBFNN与CS-RBFNN和PSO-RBFNN模型的预测结果进行对比,结果表明:改进CSRBFNN模型的均方根误差(root meansquareerror,RMSE)值分别降低了9.2%和35.5%,具有更高的预测精度。当RBFNN隐含层神经元个数增加时,预测精度有所提高,但收敛速度降低,运行时间变长。