-
公开(公告)号：CN105809246B
公开(公告)日：2018-02-02
申请号：CN201610104834.6
申请日：2016-02-25
Applicant: 东南大学
Abstract: 本发明公开了一种基于BP‑时间序列融合的地铁结构变形预报方法，包括以下的步骤：S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性；S2：构建时间序列预测模型并对地铁结构变形数据进行预测；S3：构建BP‑时间序列融合模型，利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿。本发明通过将时间序列模型与BP神经网络结合起来，利用神经网络在非线性变化数据拟合方面的优势对时间序列预测模型的误差进行补偿，对地铁结构变形随时间的变化特性进行了充分的挖掘，预报精度高、稳定性好。
-
公开(公告)号：CN104007479B
公开(公告)日：2016-08-31
申请号：CN201410265257.X
申请日：2014-06-13
Applicant: 东南大学
Abstract: 本发明公开了一种基于多尺度剖分的电离层层析技术和电离层延迟改正方法，将区域电离层的三维空间按不同的“像素”尺度进行剖分，由此得到了多个不同的单尺度电离层层析模型，将这些模型的未知变量进行统一解算，并根据不同的权重因子，最终加权得到多尺度层析模型的解，重构区域的电离层电子密度分布，获得区域的电离层延迟。本发明重构的电离层空间活动规律拟合程度高，时效性强，使用方便；根据本发明获取的区域电离层延迟量解算结果精度高，使得CORS测量成果的应用范围扩大。经过大量工程实例应用结果分析，经本发明重构的电离层电子密度分布较之传统的单尺度电离层层析模型更加平滑和合理，且电离层延迟改正精度平均提高了30%。
-
公开(公告)号：CN105809246A
公开(公告)日：2016-07-27
申请号：CN201610104834.6
申请日：2016-02-25
Applicant: 东南大学
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于BP?时间序列融合的地铁结构变形预报方法，包括以下的步骤：S1：通过已知的地铁结构变形数据分析地铁结构变形随时间的变化特性；S2：构建时间序列预测模型并对地铁结构变形数据进行预测；S3：构建BP?时间序列融合模型，利用BP神经网络模型对时间序列预测模型所得的地铁结构变形残差进行预报，从而对时间序列预报模型进行补偿。本发明通过将时间序列模型与BP神经网络结合起来，利用神经网络在非线性变化数据拟合方面的优势对时间序列预测模型的误差进行补偿，对地铁结构变形随时间的变化特性进行了充分的挖掘，预报精度高、稳定性好。
-
公开(公告)号：CN105808821A
公开(公告)日：2016-07-27
申请号：CN201610102061.8
申请日：2016-02-25
Applicant: 东南大学
IPC: G06F17/50
CPC classification number: G06F17/5036
Abstract: 本发明公开了一种基于EOF分解的电离层垂直总电子含量短期预报方法，其特征在于：包括以下的步骤：S1：对区域电离层VTEC数据进行EOF分解；S2：利用时间序列模型对步骤S1分解得到的时间分量数据进行预测；S3：根据EOF重构方程，将空间分量和预测得到的时间分量进行重构，得到电离层VTEC的预测值。本发明通过将电离层垂直总电子含量数据进行EOF分解，有效的把随时间变化的变量场分解为不随时间变化的空间函数部分以及只依赖时间变化的时间函数部分，实现了VTEC的预报；本发明对EOF分解出来的只依赖时间变化的时间分量部分利用时间序列模型进行预测，然后将预测结果与不随时间变化的空间函数部分进行EOF重构。
-
公开(公告)号：CN105182366A
公开(公告)日：2015-12-23
申请号：CN201510557767.9
申请日：2015-09-02
Applicant: 东南大学
IPC: G01S19/07
CPC classification number: G01S19/07
Abstract: 本发明公开了一种GNSS区域对流层天顶延迟改正的ISAAS模型计算方法，首先利用BP神经网络技术表示Saastamoinen模型误差；使用高精度的IGS对流层延迟产品数据训练BP神经网络；然后，用Saastamoinen模型方法计算用户位置的对流层天顶延迟；接着，用已经训练完毕的BP神经网络计算用户位置的Saastamonien模型模型残差；最后、计算修改后对流层天顶延迟。本发明计算出的对流层天顶延迟要比Saastamonien模型的精度提高大约12.4％。因此，对于一定区域的对流层，可以利用本发明提出的方法计算其延迟数值。
-
Patent Agency Ranking
公开(公告)号：CN103353295B
公开(公告)日：2015-11-18
申请号：CN201310189139.0
申请日：2013-05-20
Applicant: 东南大学
Abstract: 本发明公开了一种精确预测大坝坝体垂直变形量的方法，该方法是基于稳定度的精确预测大坝坝体垂直变形量的方法，具体为： 1）监测数据采集、2）建立i（i=1,2,…m;i≥2）种预测方法的数学模型、3）计算各种预测方法的稳定度、4)确定组合方法模型权系数、5）建立基于稳定度大坝坝体垂直变形量预测模型；使用该方法可以大大提高大坝坝体垂直变形量的预测精度。经过大量工程实例应用结果分析：本发明方法较之其它预测方法，变形量的预测精度要提高20％－70％。本发明能够保持模型精度的延续性，对涉及安全的变形发展趋势做出精确预测，提前采取措施，对防患大坝安全事故具有重要意义。具有明显的社会和经济价值。
-
公开(公告)号：CN104992054A
公开(公告)日：2015-10-21
申请号：CN201510344370.1
申请日：2015-06-19
Applicant: 东南大学
Abstract: 本发明公开了基于时间序列二维化的电离层垂直总电子含量预报方法，包括四个步骤：步骤S1是通过已知的电离层垂直总电子含量数据分析电离层垂直总电子含量随时间的变化特性；步骤S2是构建时间序列二维化平面，确定待预测的电离层垂直总电子含量与已知的电离层垂直总电子含量之间的权值，并根据权值对准备作为输入层的已知的电离层垂直总电子含量数据进行加权处理；步骤S3是构建神经网络模型；步骤S4是利用神经网络模型对电离层垂直总电子含量进行预报。本发明对电离层垂直总电子含量进行时间序列二维化处理，采用不等权值设置，对电离层垂直总电子含量具有良好的预报效果。
-
公开(公告)号：CN103983220A
公开(公告)日：2014-08-13
申请号：CN201410169659.X
申请日：2014-04-24
Applicant: 东南大学 , 中国路桥工程有限责任公司
IPC: G01B15/06
Abstract: 本发明属于桥梁监测领域，具体涉及一种地基雷达连续监测桥梁变形的系统及方法，该系统包括：固定于地基的混凝土墩(3)，与混凝土墩(3)连接的固定支座(2)、与固定支座(2)连接的地基雷达仪器(1)，该地基雷达仪器(1)用于对桥梁(4)进行干涉策测量；所述地基雷达仪器(1)、固定支座(2)和混凝土墩(3)位于桥梁(4)和地基之间。本发明解决了现有仪器只能单次监测桥梁变形的问题；同时解决了仪器设计基准稳定性问题；连续监测方法使操作员不需将仪器长期安置就能能够对监测目标长期连续监测；该系统结构简单，调试方便，可实现对桥梁健康状况连续的、精确的监测。
-
公开(公告)号：CN103353295A
公开(公告)日：2013-10-16
申请号：CN201310189139.0
申请日：2013-05-20
Applicant: 东南大学
Abstract: 本发明公开了一种精确预测大坝坝体垂直变形量的方法，该方法是基于稳定度的精确预测大坝坝体垂直变形量的方法，具体为：1）监测数据采集、2）建立i（i=1,2,…m;i≥2）种预测方法的数学模型、3）计算各种预测方法的稳定度、4)确定组合方法模型权系数、5）建立基于稳定度大坝坝体垂直变形量预测模型；使用该方法可以大大提高大坝坝体垂直变形量的预测精度。经过大量工程实例应用结果分析：本发明方法较之其它预测方法，变形量的预测精度要提高20％－70％。本发明能够保持模型精度的延续性，对涉及安全的变形发展趋势做出精确预测，提前采取措施，对防患大坝安全事故具有重要意义。具有明显的社会和经济价值。
-
公开(公告)号：CN102682335A
公开(公告)日：2012-09-19
申请号：CN201210107443.1
申请日：2012-04-13
Applicant: 东南大学
Abstract: 本发明公开了一种精确确定区域对流层延迟的神经网络方法，包括以下步骤：A1、获取得到控制点测站的对流层湿延迟近似真值A2、通过神经网络模拟计算，建立区域对流层湿延迟计算模型；A3、计算区域对流层干延迟；A4、计算区域对流层总延迟；该区域内其他点，只要通过气象观测得到以下4个地面气象参数(P0，T0，h0，e0)，即可分别根据公式(5)、(7)、(8)计算得到和δw；再根据公式(9)计算得到δd，最后根据公式(10)计算得到δ。本发明通过高空探测气球观测信息提取区域对流层延迟近似真值，提出采用神经网络技术来精确确定区域对流层延迟改正模型的方法。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.028 seconds)
