一种新的网格搜寻多事件定位算法及方法的比较

多事件定位法联合解决了震群中地震事件震源参数(震源和发震时刻)和台站记录到的地震事件的走时校正。本文阐述了基于网格搜寻技术的新的多事件定位方法。这个算法(称为GMEL)是比较早的单事件定位算法(GSEL)的拓展并且是基于定位问题中的最大似然公式表示。通过对使用线性反演(Geiger)方法的地方使用网格搜寻和根部查找技术,使GMEL适应拾取误差的非高斯模型和高斯模型,而且可以处理像预先理想定位事件的地面真实位置水平这样的先验约束。我们描述了这个算法,并报告了我们取得的成果,即在对多事件定位时,拓展了蒙特卡罗技术来计算事件定位的置信区间,通常它被用在GSEL方法中。这个扩展将会产生置信区间,它们量化了对震相拾取和估计台站校正的不确定性两方面在定位误差上的影响,也就是校准(或模拟)误差。我们比较了GMEL法和4个其他多事件定位法:震源分解法(HDC)、双差法(DD)、累进(progressive)多事件定位法(PMEL)和联合震源确定法(JHD),给出了检验的初步结果。这个检验应用到了1999年伊兹米特/迪斯杰地震序列的两个毗邻震群上,Engdahl和Bergman(2001)已经用震源分解法进行过分析。我们正在独立地将其他方法应用到他们使用的数据上,力图提高我们对于这些方法间存在的相似和不同以及通常多事件定位方法效果的理解。

基于GA-SVM梯形区域的故障诊断与可靠配置

针对一类线性定常飞控系统,基于梯形区域下,研究了执行器连续增益故障可靠控制的问题。同时,为解决支持向量机选取参量困难而导致故障信息难以识别等问题,提出实值编码遗传算法来实现支持向量机模型参数的自动寻优。与传统的支持向量机相比,该方法具有收敛速度快、能耗低、耗时短、迭代次数少等优点。对于未知系统极点信息难以获取的问题,给出了极点观测器的算法,实现了对极点数据的实时观测。仿真结果表明,依据不同通道发生故障时极点所处区域不同的特点而设计的可靠控制器,不但鲁棒性能好,而且准确率也较高。该方法与粒子群算法(PSO-SVM)、网格搜寻法(gridsearch)相比具有较好的泛化能力及较高的识别度。

基于MPSO-SVM的不确定条形区域故障诊断研究

针对一类线性不确定性系统,基于条形区域下,研究了执行器连续增益故障可靠控制的问题。对于极点数据难以获取的缺陷,给出状态观测器的核心算法,从而实现系统状态的实时采集。同时,为解决支持向量机在极点配置中选取参数困难的问题,利用改进的粒子群算法(MPSO)优化支持向量机的结构,进而获得更合理的核宽度系数和惩罚系数。与网格搜寻法(Grid search-SVM)和粒子群算法(PSO)相比,该方法可获得较高的分类精度,仿真实例进一步证明了设计可靠控制器的必要性。

基于GA-SVM的深基坑墙体偏斜量预测模型研究

为了研究地铁深基坑墙体偏斜量随时间变化的时空效应规律,对现有的监测数据进行分析,建立GA-SVM预测模型。首先采用三次样条插值法进行数据处理,然后利用GA算法对SVM中的参数进行迭代寻优,将建立好的模型对测试样本进行训练,最后将模型应用在某实例中,研究表明该预测模型的预测结果具有较强的泛化能力和较高的精准度。