您的位置: 专家智库 > >

河南省教育厅自然科学基金(2009B170001)

作品数:7 被引量:34H指数:3
相关作者:高宁高彩云徐长海更多>>
相关机构:河南城建学院宿州学院中国矿业大学(北京)更多>>
发文基金:河南省教育厅自然科学基金矿山空间信息技术国家测绘局重点实验室开放基金更多>>
相关领域:天文地球一般工业技术水利工程建筑科学更多>>

文献类型

  • 7篇中文期刊文章

领域

  • 5篇天文地球
  • 1篇自动化与计算...
  • 1篇建筑科学
  • 1篇水利工程
  • 1篇一般工业技术

主题

  • 2篇神经网
  • 2篇神经网络
  • 2篇高程异常
  • 2篇RBF神经网...
  • 1篇岩体
  • 1篇有效性
  • 1篇正常高
  • 1篇正则
  • 1篇正则矩阵
  • 1篇水准面
  • 1篇体变形
  • 1篇网络
  • 1篇危岩
  • 1篇危岩体
  • 1篇矩阵
  • 1篇高程拟合
  • 1篇背景值
  • 1篇RBF
  • 1篇AR
  • 1篇AR(P)模...

机构

  • 7篇河南城建学院
  • 1篇宿州学院
  • 1篇中国矿业大学...

作者

  • 7篇高彩云
  • 7篇高宁
  • 1篇徐长海

传媒

  • 3篇测绘科学
  • 1篇工程勘察
  • 1篇人民黄河
  • 1篇科技信息
  • 1篇河南城建学院...

年份

  • 1篇2014
  • 1篇2013
  • 1篇2012
  • 1篇2011
  • 1篇2010
  • 2篇2009
7 条 记 录,以下是 1-7
排序方式:
危岩体变形位移预测的灰色双重优化模型被引量:3
2014年
为提高GM(1,1)模型在危岩体变形位移分析中的预测精度,本文提出一种背景值重构和初始条件修正的灰色双重优化模型。该模型采用积分的形式重构了一个表达简洁、计算简单、适应性强的背景值计算公式,根据新信息优先原理将x(1)(n)作为灰色模型的初始条件,将双重优化后的GM(1,1)模型应用于长江链子崖危岩体变形位移预测,并与传统模型和单一优化模型的预测结果进行比较,发现双重优化的GM(1,1)模型预测结果更接近于实际,是危岩体变形预测的一种有效方法。
高宁高彩云
关键词:危岩体GM(1,1)模型背景值
GPS高程拟合模型对比分析
2009年
本文对GPS高程拟合中存在的若干问题进行了较为详细的讨论,概述了GPS高程拟合的常用方法,通过编程序计算了多项式曲线拟合、多项式曲面拟合、加权平均拟合、BP神经网络拟合似大地水准面的实例,分析得出了一些结论。
高彩云高宁
关键词:大地高正常高
正则矩阵及平滑参数与GPS水准面拟合精度关系分析
2010年
针对GPS高程转换求解高程异常时,由于大地高和正常高所涉及的基准面以及各类椭球参数和全球重力场对局部水准面起伏的影响致使高程异常的解算中存在难以参数化的系统误差,提出将系统误差看作非参数信号,采用补偿最小二乘法来处理。在补偿最小二乘模型中,正则矩阵R和平滑参数α的选取对拟合结果起决定性作用,讨论了正则矩阵R和平滑参数α的选取对拟合结果的影响,在此基础上提出了一种求解平滑参数α的Xu函数法,最后对某GPS测区的高程数据进行了解算,与其他求平滑参数的方法相比,Xu函数法获得了理想的结果。
高彩云高宁
关键词:高程异常
变形预报中RBF和BP神经网络有效性比较被引量:8
2012年
通过仿真实例,对RBF和BP神经网络在变形监测数据预测中的应用进行比较,提出一种RBF网络参数优化的二维区间搜索算法。训练和仿真结果表明,在相同精度要求下,RBF神经网络比BP神经网络的训练速度更快、效率更高、泛化能力更强。将两种网络得出的预测结果进行比较得出,RBF网络用于变形监测数据处理可以得到更好的预测效果。
高彩云高宁
关键词:RBF神经网络BP神经网络
补偿最小二乘估计在确定高程异常中的应用被引量:13
2011年
针对常规最小二乘拟合求解高程异常存在的模型误差,本文提出将模型误差看作非参数信号采用补偿最小二乘法来处理,讨论了正则化矩阵R和平滑参数α的选取对拟合结果的影响,在对各种求解光滑参数深入研究的基础上,提出了一种Xu(α)函数法,并对一个测区的GPS水准数据进行解算,结果表明,利用补偿最小二乘模型求解高程异常优于最小二乘法。
高宁高彩云徐长海
关键词:高程异常
MATLAB回归分析在测绘数据处理中应用被引量:3
2009年
介绍了科学与工程计算软件MATLAB,并将其应用到测绘数据处理中,给出了MATLAB一元线性回归的分析计算程序及使用方法,得出用MATLAB软件建立一元回归模型的优越性。
高彩云高宁
关键词:MATLAB测绘数据处理
基于时序AR(p)-RBF神经网络的变形建模与预测被引量:10
2013年
为提高变形监测数据预测的精度与可靠性,本文提出基于时序AR(p)-RBF神经网络的预测方法。此法采用时间序列分析的DDS建模法,研究形变数据之间的相关性问题,从而确定RBF网络输入、输出层的节点数;并利用交叉验证搜索算法对RBF网络预测关键参数GOAL、SPREAD进行优选,将优化后的RBF网络应用于某建筑物的沉降变形预测,验证了该方法的有效性。
高彩云高宁
关键词:AR(P)模型RBF神经网络
共1页<1>
聚类工具0