一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

移动社交网络快速社区并行发现算法

针对传统社区发现技术已无法有效处理大规模移动社交网络数据的问题,基于图论知识、网络性质提出山地模型,设计了滑坡算法,采用GraphX分布式图计算框架实现了并行化社区发现算法。模型首先利用模块度的聚类思想初始化山地模型并求取网络中每条边的权重,然后利用滑坡算法,迭代削弱社区间的关系,最终获得网络的社区结构。大量真实和模拟移动社交网络数据上的实验结果表明:所提算法能解决传统社区发现算法无法处理的大规模网络社区划分问题,在保证具有较高的社区识别准确率前提下,在时间性能上较现有并行社区发现算法提高140%以上,16台服务器构成的集群对于1000万个结点构成的大规模网络进行社区发现的时间不超过10 min。