基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉（Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR）和粒子群优化-反向传播（Particle Swarm Optimization -Back Propagation,PSO-BP）神经网络算法的矿区地表沉降监测及预测模型. 首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性. 实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低. 与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

改进的BP神经网络预测地表沉陷

地表沉陷过程中呈现了众多的复杂性、非线性和破坏性,而用传统的三层BP神经网络预测地表沉陷精度较低,本文通过引进遗传算法来改进BP神经网络,对地表沉陷作了有效预测。     

基于BP算法的电力系统负荷预测

本文分析了电力系统负荷预测的重要性和与负荷预测相关的数据的特点,给出了基于BP算法的电力系统负荷预测系统的体系结构,重点研究了多层前馈神经网络构建、数据预处理及网络模型的学习。将BP算法应用于电力系统负荷预测,可有效地克服数据不完整性、含噪声等复杂因素对预测结果的影响,提高预测精度。     

基于BP神经网络的我国碳排放情景预测

碳排放预测有助于碳减排目标和碳减排路径的科学制定。借鉴STIRPAT模型的影响因素,选取人口、城镇化率、人均GDP、第三产业GDP比例、能源消耗强度、煤炭消费比例等6项因素为自变量,以1980-2009年的指标数据为训练样本,运用BP神经网络方法构建了我国碳排放预测模型,并对2010-2015年我国碳排放进行预测,结果表明我国“十二五”期间应适当降低GDP增速,促使碳排放目标的有效实现。     

基于模拟退火算法优化BP的短期负荷预测控制策略

针对以BP算法为代表的神经网络算法存在预测精度较低及工程实用性不足等问题,利用模拟退火算法最优解设定BP神经网络的初始参数来提升网络的收敛速度与预测精度;为了解决特征维数过多对预测结果的干扰问题,采用主成分分析方法对实际负荷数据进行预处理及特征提取,使用提取的低维特征作为预测模型的输入。实验结果表明,相较于传统的BP神经网络方法,优化后的预测算法提升了健壮性,降低了误差。     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

基于PS-InSAR和SBAS-InSAR技术的延安新区地面沉降监测研究

基于2019年3月—2020年3月共33景Sentinel-1A数据,采用PS-InSAR和SBAS-InSAR时序处理方法获取延安新区地面沉降信息,并分析导致地面不均匀沉降的原因.研究结果表明:①研究区大部分区域比较稳定,平均形变速率集中在-10～10 mm/a;地面沉降主要位于行知南路(尚品尊邸小区)-遵义大街-瑞金街-子长路-轩辕大道-志丹路-东方红大道-中环大道-上海东路-肤施大道(尚品尊邸小区)、延州大道、延安市交警支队新城大队东侧.②地面沉降受黄土湿陷性和压缩性、高填方体、城市扩张、人类活动、交通循环载荷、集中使用地下水等因素影响.     

基于双极化Sentinel-1数据的昆明市地面沉降监测

针对在昆明市主城区出现的地面沉降问题,利用SBAS-InSAR技术对2018年8月—2019年7月之间的28景VV极化和VH极化Senntinel-1数据分别进行处理,得到了在监测时段内的主城区的沉降速率图.从相关性、形变区域剖面及时序3个方面对两种极化的结果作对比分析,表明VV极化和VH极化两种极化结果一致性较高,用...     

基于BP神经网络和马尔科夫模型的服务器软件老化预测方法

针对服务器软件老化的现象,提出了一种基于BP神经网络和马尔科夫模型结合的方法对服务器关键资源进行预测.实验表明,该算法有一定的预测精度,在一定程度上能够满足服务器老化预测的要求,为服务器抗老化策略的制定提供了依据.     

基于BP神经网络的高速公路交通量预测

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用BP神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP(Back Propagation)神经网络的交通流量预测模型.以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况.     

基于BP神经网络的道路交通事故预测

以我国近年来道路交通事故统计资料为基础,采用改进型BP神经网络,建立起我国道路交通事故发生的时间序列模型,该模型可用于短期内道路交通事故多少的预测。     

基于SBAS-InSAR与GM(1,1)模型的张博线采空区地表形变监测

为获取了该区段沿线的地表形变速率及各成像时刻的累计形变量等形变信息,验证GM(1,1)模型在地表形变中的预测效果,通过 SBAS-InSAR 技术对张博线采空区 2019 年1月至2022年1月43景 sentinel-1A影像数据进行处理,并利用 GM(1,1)模型对地表特征点监测结果进行了模拟和预测。监测结果表明铁路沿线大部分区域年平均形变速率在-2.0~2.0 mm/year之间,沿线地表相对稳定;预测结果表明GM(1,1)模型在沉降预测中有良好的效果,可进行中长期预测。     

基于BP神经网络的软地基沉降分析

为了分析软地基的沉降规律,以某个高速公路的工程为例,利用BP神经网络对该工程的软土地基沉降数据进行拟合和优化分析。结果表明,使用BP神经网络方法对软土地基的沉降预测值合理,其精度优于一维固结理论方法,BP神经网络方法能成为有效预测软地基沉降数据的方法。     

基于BP神经网络的杭州紫之隧道最大地表沉降预测

杭州紫之隧道浅埋暗挖北段处于地下水丰富的软弱地层中,施工过程中产生的地表沉降量难以控制,波动范围较大.为了准确评估施工风险,采用BP神经网络对最大地表沉降进行预测.首先对地表沉降的影响因素进行选取和量化,构成样本数据组.然后通过试错法,建立预测精度最高的一般BP神经网络和遗传算法优化的BP神经网络模型,研究发现BP神经网络在预测地表沉降方面效果较好,且使用遗传算法可以进一步提升预测精度.接着探讨了地层渗透性对BP神经网络预测精度的影响,研究发现不考虑地层渗透性会使预测精度大幅下降.最后对BP神经网络模型参数进行了敏感性分析,揭示了预测沉降的变化趋势符合客观变形机理.     

基于BP神经网络模型的城市生活垃圾产生量预测研究

提出一种基于BP神经网络Levenberg—Marquardt算法建立城市生活垃圾产生量的网络预测模型。该方法优于传统的灰色理论预测模型和根据人口数预测垃圾产生量，预测结果客观、合理、精确，实用性强。该研究方法对我国城市生活垃圾管理和环境规划具有一定的指导意义。     

基于BP神经网络的股票预测

股票投资是一项非常复杂的活动。对股票走势的正确预测是非常重要的。本文基于BP神经网络预测模型,对未来股票的走势进行预测,通过实例分析及实际结果,表明BP神经网络的准确性和科学性。     

基于BP神经网络的充填钻孔使用寿命预测

针对充填钻孔的使用寿命受很多因素的影响,并且影响因素与钻孔使用寿命之间不存在显著线性关系的特点,采用人工神经网络方法来研究钻孔使用寿命预测的问题。通过对金川公司充填钻孔进行调查分析,找出影响钻孔使用寿命的主要控制因素,建立结构为3—9—1的三层BP神经网络模型来预测金川矿区充填钻孔的使用寿命。结果表明,预测值与实际值拟合得较好,最大误差为13．58％,验证了用BP神经网络预测钻孔使用寿命的可行性。