期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种适用于大规模基准站网的北斗系统多路径误差建模方法 被引量:1
1
作者 陈敬 王贻朋 +2 位作者 麦建开 李琪 张永峰 《测绘通报》 CSCD 北大核心 2024年第11期147-150,共4页
多路径效应与测站观测环境相关,无法利用差分的方式消除或削弱,是影响GNSS数据处理精度、服务性能的重要因素。北斗系统设计由高-中-低轨多类卫星组成,为降低卫星轨道重复周期差异性的影响,基于空间域建模的多路径误差半天球格网点模型(... 多路径效应与测站观测环境相关,无法利用差分的方式消除或削弱,是影响GNSS数据处理精度、服务性能的重要因素。北斗系统设计由高-中-低轨多类卫星组成,为降低卫星轨道重复周期差异性的影响,基于空间域建模的多路径误差半天球格网点模型(MHGM)是一种较为有效的解决方案。由于MHGM方法存在待估参数较多、内存和CPU等计算资源占用量较大的问题,一般不适用于大规模测站的多路径误差建模。本文研究一种基于公共站点的分区建模方法,实现了大规模基准站网的多路径误差快速有效模型化,并利用广东省北斗地基增强系统221个基准站的观测数据验证了本文方法的有效性。测试结果表明,无须安装额外的硬件设备,即可将现有广东省北斗地基增强系统的服务性能提升11.2%。这对于提升北斗系统数据处理服务的精度和可靠性,具有一定的科学研究和工程应用价值。 展开更多
关键词 北斗系统 大规模基准站 多路径误差 半天球格网点模型
在线阅读 下载PDF
多传感器数据融合的边坡滑坡预警模型与应用
2
作者 王贻朋 徐大伟 +4 位作者 魏明阳 李波 胡慧敏 杨明生 徐玉玲 《测绘通报》 北大核心 2025年第7期169-173,共5页
边坡滑坡作为一种突发性、高破坏性的地质灾害,严重威胁着人类社会的生产生活安全。由于单一传感器对多因素耦合效应的识别能力不足,使得滑坡预警的全面性和准确性受到限制,因此本文提出了一种基于BP神经网络的多传感器融合预警模型。... 边坡滑坡作为一种突发性、高破坏性的地质灾害,严重威胁着人类社会的生产生活安全。由于单一传感器对多因素耦合效应的识别能力不足,使得滑坡预警的全面性和准确性受到限制,因此本文提出了一种基于BP神经网络的多传感器融合预警模型。借助于BP神经网络非线性特征提取能力,分别对倾斜仪、GNSS位移传感器和雨量传感器的数据进行合理训练与预测,综合3种传感器归一化的预测数据,利用加权评分的方式融合多传感器预测结果,完成滑坡风险的最终评分,建设高效、准确的监测系统。该预警系统在某输油管道附近的边坡被成功应用并取得较好效果,具有较高的推广价值。 展开更多
关键词 滑坡监测 多传感器数据融合 BP神经网络 风险评分 地灾检测
在线阅读 下载PDF
一种Wi-Fi RTT/数据驱动惯性导航行人室内定位方法 被引量:1
3
作者 周宝定 胡超 +3 位作者 孙超 刘旭 吴鹏 杨钧富 《测绘通报》 CSCD 北大核心 2024年第4期76-82,共7页
为了研究基于智能手机的行人室内定位方法,并提高其精度,本文提出了一种基于Wi-Fi往返时间(RTT)、惯性测量单元(IMU)的定位系统。该方法主要包括3部分:(1)使用扩展卡尔曼滤波融合测距信息的Wi-Fi RTT室内定位方法;(2)适用于多手机使用... 为了研究基于智能手机的行人室内定位方法,并提高其精度,本文提出了一种基于Wi-Fi往返时间(RTT)、惯性测量单元(IMU)的定位系统。该方法主要包括3部分:(1)使用扩展卡尔曼滤波融合测距信息的Wi-Fi RTT室内定位方法;(2)适用于多手机使用模式的航位推算方法,该方法基于长短时记忆模型(LSTM)建立神经网络模型,预测行人运动速度及航向;(3)基于误差状态卡尔曼滤波的Wi-Fi RTT/数据驱动惯性导航融合定位方法,进一步提高定位精度。试验结果表明,与单一的基于Wi-Fi RTT方法和数据驱动惯性导航方法相比,本文方法的平均定位精度提升了10%~20%。 展开更多
关键词 智能手机 数据驱动惯性导航 Wi-Fi RTT 行人航迹推算 融合定位
在线阅读 下载PDF
深度学习在材料表征与性能预测中的应用研究进展
4
作者 王春秀 尹建成 刘英莉 《材料科学与工程学报》 2025年第4期670-684,共15页
近年来,深度学习在材料科学领域的应用呈现出日益重要的趋势。其中,材料性能预测作为材料科学研究的核心问题,传统方法受限于表示能力有限与计算复杂度高的挑战。深度学习作为一种基于数据驱动的方法,通过学习大规模数据中的特征表示和... 近年来,深度学习在材料科学领域的应用呈现出日益重要的趋势。其中,材料性能预测作为材料科学研究的核心问题,传统方法受限于表示能力有限与计算复杂度高的挑战。深度学习作为一种基于数据驱动的方法,通过学习大规模数据中的特征表示和模式,为材料表征和性能预测提供了新的解决方案。与传统的机器学习模型相比,深度学习展现出竞争力的优势。本文首先阐述了人工智能、机器学习以及深度学习之间的关联,对经典的深度学习理论进行了概述,包括感知机、图神经网络、序列模型等。随后,详细讨论了深度学习在材料成分和晶体结构表征、材料性能预测模型等方面的重要进展,对数据集、相关模型结构以及建模方法的优势进行了综述。文章进一步探讨了深度学习在材料科学中的模型可解释性,可以更充分地理解模型决策过程。最后,对深度学习在材料领域的发展进行了总结与展望。 展开更多
关键词 深度学习 材料表征 材料性能预测 模型可解释性
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部