学位论文 > 优秀研究生学位论文题录展示

智能变形分析方法综合研究

作　者: 邓勇
导　师: 李宗春
学　校: 解放军信息工程大学
专　业: 大地测量学与测量工程
关键词: 变形测量变形预报小波变换人工神经网络小波神经网络遗传小波神经网络
分类号: P209
类　型: 硕士论文
年　份: 2010年
下　载: 40次
引　用: 0次
阅　读: 论文下载

内容摘要

随着科学和计算机处理技术的不断发展,变形测量数据处理新方法不断涌现,人工智能方法成为变形数据处理研究的热点。与传统数据处理方法相比,人工智能方法正以其自主学习、自适应、高容错以及预测准确等优点,在变形分析和准确预报中扮演着越来越重要的角色。本文针对目前人工智能数据处理方法的特点,对多种智能方法结合用于变形分析预报分析进行了研究,主要研究内容如下:1、研究了小波变换数据去噪的方法。利用小波分解与重构的方法对原始观测数据进行去噪处理,采用数据信号的均方差变化量、互相关系数、信噪比以及平滑度四个评价指标,并将其归化到[0 ,1]后,综合分析的方法确定小波分解重构的级数。2、研究了小波神经网络用于变形预报的精度。根据神经网络存在容易陷入局部极小以及收敛速度慢的问题,采用小波函数替代神经网络的激活函数形成小波神经网络,并将其进行变形预报,得到了比人工神经网络更高精度的预报值。3、将遗传算法小波神经网络应用于变形预报。根据小波神经网络有时仍然会存在收敛速度慢和受局部极值影响等缺点,利用遗传算法能在全局范围寻求最优解的特点,将遗传算法与小波神经网络结合形成遗传小波神经网络,并将其成功应用于变形预报,实现了比BP神经网络及小波神经网络更为准确的变形预报。4、将算法预测的稳定性及有效区间作为判断算法优劣的两个指标,分析了BP神经网络、小波神经网络和遗传小波神经网络三种算法变形预测的稳定性及有效区间,进一步肯定了遗传小波神经网络的预测能力。5、分析了构建多传感器变形测量系统需要解决的几个问题:各种传感器与系统的数据交互、数据的存储管理及数据的融合分析问题。

全文目录

摘要  7-8
Abstract  8-9
第一章绪论  9-15
  1.1 引言  9-10
  1.2 研究现状  10-13
    1.2.1 变形测量技术发展现状  10-11
    1.2.2 变形分析预报发展现状  11-13
  1.3 论文的结构  13-14
  1.4 本章小结  14-15
第二章小波变换数据去噪处理  15-27
  2.1 小波变换的现状  15-16
  2.2 小波变换的原理  16-17
  2.3 小波分解与重构  17-19
  2.4 小波去噪评价指标  19-20
  2.5 小波去噪应用分析  20-26
    2.5.1 实例1  20-22
    2.5.2 实例2  22-24
    2.5.3 实例3  24-26
  2.6 本章小结  26-27
第三章小波神经网络变形预报  27-49
  3.1 人工神经网络  27-32
    3.1.1 人工神经网络的现状  27-28
    3.1.2 人工神经网络的原理  28-32
      3.1.2.1 神经网络的基本概念  28-29
      3.1.2.2 BP 神经网络原理  29-30
      3.1.2.3 BP 神经网络反向传播训练算法  30-32
  3.2 小波神经网络  32-34
    3.2.1 小波神经网络概述  32
    3.2.2 小波神经网络结构  32-34
    3.2.3 小波神经网络优点  34
  3.3 实例分析  34-48
    3.3.1 实例1  34-39
      3.3.1.1 BP 神经网络预测  34-36
      3.3.1.2 小波神经网络预测  36-38
      3.3.1.3 前215 周期预测后91 周期  38-39
    3.3.2 实例2  39-44
      3.3.2.1 前132 周期预测后132 周期  40-41
      3.3.2.2 前185 周期预测后79 周期  41-42
      3.3.2.3 前205 周期预测后59 周期  42-44
    3.3.3 实例3  44-48
      3.3.3.1 前150 周期预测后150 周期  44-45
      3.3.3.2 前210 周期预测后90 周期  45-47
      3.3.3.3 前250 周期预测后50 周期  47-48
  3.4 本章小结  48-49
第四章遗传小波神经网络变形预报  49-66
  4.1 遗传算法  49-52
    4.1.1 遗传算法概述  49-50
    4.1.2 遗传算法的运算步骤  50-51
    4.1.3 遗传算法求全局最优解算例  51-52
  4.2 遗传小波神经网络  52-55
    4.2.1 遗传小波神经网络概述  52-53
    4.2.2 遗传小波神经网络实现过程  53-55
  4.3 遗传小波神经网络变形预测实例  55-62
    4.3.1 实例1  55-58
    4.3.2 实例2  58-60
    4.3.3 实例3  60-62
  4.4 三种算法预测能力稳定性分析  62-64
  4.5 三种算法预测的有效区间  64
  4.6 本章小结  64-66
第五章多传感器变形测量系统构建  66-73
  5.1 变形测量系统现状  66
  5.2 GeoMoS 系统简介  66-67
  5.3 多传感器变形测量系统构建的关键问题  67-72
    5.3.1 系统工作模型  67-68
    5.3.2 传感器数据传输  68-69
    5.3.3 多传感器数据管理及预处理  69-72
  5.4 本章小结  72-73
第六章总结与展望  73-75
  6.1 主要研究工作  73-74
  6.2 进一步研究工作  74-75
参考文献  75-79
作者简历攻读硕士学位期间完成的主要工作  79-81
致谢  81

智能变形分析方法综合研究

内容摘要

全文目录

相似论文