期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
InSAR监测数据的地表沉陷深度学习预测模型研究
1
作者
李刚
支梦辉
+3 位作者
李斌
杨帆
彭志伟
李东亮
《中国安全科学学报》
北大核心
2025年第S1期107-113,共7页
为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据...
为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据,采用小基线集干涉合成孔径雷达(SBAS-InSAR)技术精细化监测区域地表形变情况,揭示其时序演化与空间分布特征(最大沉降速率达27.84 mm/a);然后,构建基于变分模态分解(VMD)与反向传播(BP)神经网络相结合的混合预测模型(VMD-BP);最后,将该模型预测性能与传统长短期记忆网络(LSTM)模型及变分模态分解与长短期记忆网络(VMD-LSTM)模型进行对比分析。结果表明:VMD-BP模型显著提升了预测精度,在测试点位(点位a)的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别低至0.27801 mm、0.23429 mm和0.39%,远优于LSTM及VMD-LSTM模型。
展开更多
关键词
地面沉降
形变预测
小基线集干涉合成孔径雷达(SBAS-InSAR)技术
长短期记忆网络(LSTM)模型
变分模态分解-长短期记忆网络(
vmd-bp
)模型
在线阅读
下载PDF
职称材料
基于变分模态分解和神经网络的风速组合预测
被引量：
3
2
作者
郅伦海
訾勇
徐凯
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2022年第11期1505-1510,1584,共7页
风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition,VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态...
风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition,VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy,SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine,SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。
展开更多
关键词
变分模态分解(VMD)
支持向量机(SVM)
样本熵(SE)
BP神经网络
组合预测模型
风速预测
在线阅读
下载PDF
职称材料
题名
InSAR监测数据的地表沉陷深度学习预测模型研究
1
作者
李刚
支梦辉
李斌
杨帆
彭志伟
李东亮
机构
山西晋煤集团技术研究院有限责任公司
山西省地球物理勘探创新技术中心
辽宁工程技术大学测绘与地理科学学院
晋能控股集团晋圣松峪煤业有限公司
晋能控股集团赵庄煤业有限责任公司
出处
《中国安全科学学报》
北大核心
2025年第S1期107-113,共7页
基金
国家自然科学基金资助(50604009),辽宁省教育厅科学技术研究项目(LJ2020JCL006)
自然资源部国土卫星遥感应用重点实验室资助项目(LSMNR-202107)。
文摘
为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据,采用小基线集干涉合成孔径雷达(SBAS-InSAR)技术精细化监测区域地表形变情况,揭示其时序演化与空间分布特征(最大沉降速率达27.84 mm/a);然后,构建基于变分模态分解(VMD)与反向传播(BP)神经网络相结合的混合预测模型(VMD-BP);最后,将该模型预测性能与传统长短期记忆网络(LSTM)模型及变分模态分解与长短期记忆网络(VMD-LSTM)模型进行对比分析。结果表明:VMD-BP模型显著提升了预测精度,在测试点位(点位a)的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别低至0.27801 mm、0.23429 mm和0.39%,远优于LSTM及VMD-LSTM模型。
关键词
地面沉降
形变预测
小基线集干涉合成孔径雷达(SBAS-InSAR)技术
长短期记忆网络(LSTM)模型
变分模态分解-长短期记忆网络(
vmd-bp
)模型
Keywords
surface subsidence
deformation prediction
small baseline subset interferometric synthetic aperture radar(SBAS-InSAR)technique
long short-term memory(LSTM)
model
variational
mode
decomposition-back
propagation
(
vmd-bp
)
model
分类号
X948 [环境科学与工程—安全科学]
在线阅读
下载PDF
职称材料
题名
基于变分模态分解和神经网络的风速组合预测
被引量：
3
2
作者
郅伦海
訾勇
徐凯
机构
合肥工业大学土木与水利工程学院
出处
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2022年第11期1505-1510,1584,共7页
基金
国家自然科学基金资助项目(51978230)
安徽省自然科学基金杰出青年科学基金资助项目(2108085J29)
中央高校基本科研业务费专项资金资助项目(PA2019GDZC0094)。
文摘
风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition,VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy,SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine,SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。
关键词
变分模态分解(VMD)
支持向量机(SVM)
样本熵(SE)
BP神经网络
组合预测模型
风速预测
Keywords
variational
mode
decomposition(VMD)
support vector machine(SVM)
sample entropy(SE)
back
propagation
(BP)neural network
combination prediction
model
wind speed prediction
分类号
TM614 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
InSAR监测数据的地表沉陷深度学习预测模型研究
李刚
支梦辉
李斌
杨帆
彭志伟
李东亮
《中国安全科学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于变分模态分解和神经网络的风速组合预测
郅伦海
訾勇
徐凯
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2022
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
