基于人工萤火虫算法优化GM(1,1)模型在变形监测数据处理中的应用研究

来源 :东华理工大学 | 被引量 : 0次 | 上传用户:wuchen112
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
目前,如何实时、科学、准确地分析和预报建筑物、构筑物的变形,已成为科学研究以及指导实践的一个重大课题。本文通过变形监测数据处理及分析的预测模型——GM(1,1)模型的国内外研究现状,以及一种新型的智能优化算法——人工萤火虫算法的国内外的方研究现状,搜集大量资料,对比分析,构思自己研究的方法,采用人工萤火虫算法将灰色GM(1,1)模型进行优化,应用于变形监测预报与分析工作中,其主要研究内容包括:  本研究利用最小一乘法建立目标函数,再通过人工萤火虫算法优化,求解目标函数,从而使GM(1,1)模型得到优化,随后给出了优化模型的实施步骤以及基本流程。在对预测效果检验时,用该优化模型计算参考文献里数据,并与文献中的其它模型相比较,证明优化模型的可行性及优越性。把人工萤火虫算法优化的GM(1,1)模型应用到变形监测中,对沉降数据进行处理、分析。并从残差、相对误差、发展系数、后验方差值c四个方面比较和验证优化模型,利用实验结果证明研究方法的可行性,优化模型的优越性。结果显示,人工萤火虫算法优化的GM(1,1)模型在残差、相对误差、发展系数、后验方差值c等方面的确优越GM(1,1)模型,采用的模型进一步扩大了灰色GM(1,1)模型应用的范围。
其他文献
随着多波段,多分辨率遥感数据的增加和应用质量的不断提高,需要开发更加有效的遥感数据分类算法,当前图像处理软件中的统计分类方法是以参数假设为约束条件,需要数据分布服从高斯分布。但多数的遥感数据的分布并不服从高斯分布的假设条件,因而导致分类精度不高的原因之一。因此,本文以非线性理论为指导,探索了以SOFM神经网络分类方法,改进的BP神经网络和模糊数学方法的遥感数据分类方法的实现。本文以广州三水市Lan
20世纪80年代以来,新兴技术迅速出现、不断发展。随着遥感技术的逐步成熟,高分辨率的遥感影像被广泛应用于气象预测、城市规划、变化监测、信息采集等各个方面。然而,由于绝