一、正规矩阵R及平滑因子α的选取(论文文献综述)
李晴文[1](2021)在《基于智能算法组合模型的边坡位移预测研究》文中进行了进一步梳理滑坡灾害在全世界范围内造成了不可逆的生命、财产、生态环境损失。如何构建高效的滑坡评估预警预报体系,利用合适的预测预报技术,采取行之有效的预防措施对滑坡进行预测,减少或避免滑坡造成的影响将是我们首要考虑的问题。论文通过对边坡位移等监测数据进行分析,利用灰色模型、支持向量回归模型、小波神经网络、粒子群优化等智能算法,构建科学合理的预测模型。并结合实际的边坡工程,研究边坡变形机制机理,把握边坡变形规律,为滑坡防治工作提供指导。主要研究内容和成果如下:(1)论文简要分析了滑坡监测现状及其存在的一些问题。通过对监测数据进行研究,选择既能直观综合反映边坡变形特征又易于获得的边坡位移监测数据进行分析,探究边坡变形规律。通过分析灰色模型和支持向量回归模型的建模过程,归纳模型优缺点。针对模型中存在的问题,对其进行优化改进,使之满足实际工程需要。论文对灰色模型的背景值和初始条件进行改进优化,以此为基础提出PSO算法优化寻参的3参数的变权缓冲NGM(1,1,k,c);同时考虑不同数据区间对预测结果的影响,建立了基于数据融合的灰色预测模型。在支持向量回归模型的改进中,基于模糊信息粒化的SVR模型、基于PSO优化的PSO-SVR模型和WNN-SVR模型的提出,在不同方面改进了传统SVR模型,高效快速确定出模型的最优参数,适用范围更广,并能同时满足拟合和预测需求。(2)针对边坡变形机理的复杂不确定性和单一模型的局限性,研究并扩展了组合模型在边坡工程上的应用。运用特定的定权方法,构建出精度更高,适用性更强的组合模型,并将其成功应用于边坡工程中。选用更具客观准确性的熵权法对PSO-SVR模型和PSO-NGM模型进行赋权,形成的PSO-SVR-NGM无论在变形趋势上还是拟合预测精度上都优于单一预测模型。SVR-NGM-WNN最优加权组合模型通过最优加权组合法组合PSO-SVR模型、PSO-NGM模型和WNN模型,降低了不良模型的干扰,使模型能够充分吸收各单一模型的优点并有效利用已知信息,取得了更精确的预测结果。(3)最后以灰色模型为基础,同时考虑系统误差和监测粗差的作用,建立半参数稳健估计模型。并且顾及气温、降雨量、库水位等影响因素,构建出基于稳健估计的多因素半参数NGM模型。相较于只考虑单一位移影响因素的预测模型,其精确性和合理性更高,适用范围更广。通过在具体的边坡工程的成功应用,验证了该模型的优越性,并且拓展了模型优化研究的方向。
王方超[2](2020)在《区域CORS基准站坐标时间序列分析研究》文中指出分析区域CORS(Continuously Operating Reference System)基准站的坐标时间序列,不但可以获得基准站的精确位置和运动速度以建立和维持动态地球参考框架,更有助于合理地解释全球板块构造运动、冰后回弹及海平面变化、火山及地震形变等不同时空尺度下的地球物理学现象,具有重要的研究意义。本文以区域CORS基准站坐标时间序列为研究对象,围绕时间序列的获取、预处理、共模误差剔除与季节性信号提取等几个方面进行了研究,主要研究内容和创新点如下:1.推导了非差精密单点定位、双差相对定位的理论模型方程,详细介绍了基于双差网解的高精度GNSS(Global Navigation Satellite System)数据处理软件GAMIT的配置、处理流程、精度评定等内容,并以郑州CORS为例研究了基于GAIMT软件的时间序列获取过程。进而建立了一种全面的CORS网数据质量检验与性能测试方法,该方法综合利用GAMIT、TEQC等软件,引入数据完整性、周跳比、多路径、静态和动态定位精度、系统可靠性、时间可用性、空间可用性等性能指标,分别进行服务端与用户端的性能测试。2.GNSS坐标时间序列的粗差剔除方面。针对基于LS(Least Squares)的粗差探测方法不具有抗差性,获得用于粗差探测的残差时间序列不够“真实”的问题。提出了一种基于EMD(Empirical Mode Decomposition)的时间序列粗差探测新方法。该方法首先运用EMD对原始时间序列进行自适应分解得到若干IMF(Intrinsic Mode Function)分量与趋势项,然后基于相关系数识别模态混叠分量判断信号与噪声的分界,进而将分界后IMF分量重构得到时间序列的周期项,扣除周期项与趋势项即可得到更具抗差性的残差序列。基于LS、EMD所得残差序列,分别采用模拟和实测数据对比分析了LS-3σ、LS-IQR、EMD-3σ、EMD-IQR四种方法的粗差探测效果,结果表明基于EMD的粗差探测新方法探测率更高,对于级别较小的粗差探测优势明显。3.GNSS坐标时间序列的缺失点插补方面。将一种基于数据驱动的的Reg EM(Regularized Expectation Maximization)算法引入GNSS坐标时间序列的数据插补中,分别采用不同比例连续缺失的模拟数据与实测含缺失数据,比较Reg EM与拉格朗日方法、三次样条方法、正交多项式方法的插值效果与性能。实验结果表明:对于模拟不同比例连续缺失的数据插值,Reg EM算法插值效果均优于传统方法,且在大量数据连续缺失的情况下效果最优;对于实测含缺失数据,Reg EM方法插值所得序列保留方差最大化效果最好。4.GNSS坐标时间序列的共模误差剔除方面。针对区域堆栈滤波算法的共模误差剔除效果会受到区域网测站数量与空间尺度的影响,相关系数堆栈滤波算法也存在空间尺度阈值选取的问题。为了削弱空间尺度对区域叠加滤波的影响,引入距离反比因子与相关系数相结合,并采用Spearman秩相关系数代替原有的皮尔逊系数,设计了不同组合方案的区域堆栈滤波算法。选取实测时间序列数据进行实验,结果表明距离反比因子和相关系数相结合的区域堆栈滤波方法能更好地剔除共模误差,基于Spearman秩相关系数的滤波方案与原有皮尔逊系数滤波算法效果相当。采用距离因子与相关系数相结合的滤波算法进行共模误差剔除,使得时间序列残差在水平方向降低约40%,高程方向降低约33%,速度场精度水平方向提高约38%,高程方向提高约30%。5.GNSS坐标时间序列的季节性信号提取方面。针对最小二乘法只能得到固定振幅的季节性信号,采用半参数模型进行季节性信号提取时又存在最优平滑因子确定困难、迭代速度慢的问题。提出一种赋相对权比的改进半参数模型,联合迭代更快速的黄金分割法与改进效率法确定最优平滑因子,结合时间序列的谐波函数模型给出了详细的理论推导过程。通过模拟数据实验,分析了改进方法的可用性、计算效率与计算性能。结果表明,新方法可以有效地确定最优平滑因子,且计算效率得到显着提升,计算精度较最小二乘法与半参数法均有提高,所得模型残差中没有明显的季节性信号。选取SOPAC(Scripps Orbit and Permanent Array Center)提供的IGS站时间序列数据,分析对比了三种方法对于实测数据的季节性信号提取效果,改进方法提取的季节性信号更符合时间序列的实际运动趋势。
王方超,吕志平,邝英才,李林阳,吕浩,李静静[3](2020)在《改进的半参数模型法在GNSS时间序列季节性信号提取中的应用》文中研究表明GNSS基准站坐标时间序列具有明显的季节性变化。基于谐波函数模型的最小二乘拟合方法只能得到固定振幅的季节性信号,而真实的季节性信号其振幅是变化的。采用半参数模型进行季节性信号提取时又存在最优平滑因子确定困难、迭代速度慢的问题。提出一种赋相对权比的半参数模型,采用迭代更快速的黄金分割法与改进效率法相结合的策略确定最优平滑因子。通过模拟数据实验,验证了改进模型的可用性。实验表明:改进方法的计算效率明显提高,对于10 a长度的模拟数据,相较GCV函数法搜索速度提高68.1%,相较L-曲线法速度提高25.8%;计算精度较最小二乘法和半参数模型法均有提高,所得残差中没有明显的季节性信号。
潘国荣,乔立洋,王穗辉[4](2019)在《半参数改进灰色模型在滑坡变形预测中的应用》文中研究说明滑坡灰色模型的模型误差主要来自降雨量、温度等外界影响因子,传统的半参数灰色模型没有考虑这些对滑坡变形影响较大的外界因子,而把相邻时刻的模型误差当作是不变的,预测精度较低。针对这一问题,该文提出了将这些影响因子当作非参数变量引入模型,通过改进正规矩阵来建立半参数改进灰色模型,可以得到更加准确的模型误差,并且能够将其补偿到观测序列中,使预测结果更加准确。计算结果表明,本文所述模型在观测序列的拟合和预测中均有较好的结果,能够充分地利用在滑坡中采集到的各种信息,并且达到更优的结果。
袁浩涛,张欢欢,张俊[5](2019)在《利用半参数模型精化二次曲面GPS高程异常拟合模型》文中认为针对利用多项式建立的GPS高程拟合模型不能很好地拟合高程异常变化趋势面的问题,提出了在常规最小二乘多项式模型的基础上,引入一个非参数模型补偿项,并参考重力测量中最小二乘配置模型方法,建立高程异常趋势面的半参数拟合模型。以小区域GPS采集数据为例,并分别运用两种模型进行拟合与推估,结果表明,基于半参数模型的高程异常拟合与推估效果更好。
郭云飞,汪金花,吴兵,陈晓停[6](2017)在《半参数模型在区域地磁场建模中的应用》文中研究说明地磁场本身及环境影响使测量数据存在着各种误差,为了更好地实现区域地磁场建模,在多项式的基础上添加一个非参数分量构成半参数回归模型,并且将半参数回归模型与原有的多项式拟合模型的拟合结果进行对比。结果表明,半参数回归模型避开参数模型的局限性的同时也填补了无参数模型的缺点,在区域地磁场建模中可以达到更好的拟合效果,所构建的区域地磁场模型也更加贴近客观实际。
周敏[7](2017)在《半参数模型的若干问题探讨》文中研究指明半参数模型把非参数分量加入观测方程中,一方面使得建立的数学模型与真实情况更为接近,另一方面能在数值上分别求出系统误差和偶然误差的估值。本文探讨了半参数模型的若干问题,讨论了几种传统模型与半参数模型的结合,分析采用补偿最小二乘准则与最小二乘准则的区别,探讨了几种数据处理方法与半参数模型相结合的优点,并用算例验证,传统模型与半参数模型结合得到的参数估值精度明显提高。本文主要内容如下:1.基于半参数模型与补偿最小二乘估计方法,分析了正规矩阵R和平滑因子α的选取方法。对比分析了传统参数模型与半参数模型对于系统误差的稳定性,鉴于传统平滑因子选取方法偏于复杂且计算量大,提出了一种新的更加简便的平滑因子选取方法——基于效率最优准则的平滑因子选取方法。2.研究了基于半参数模型的灰色预测建模方法,并通过改进传统正规矩阵的选取方法,分析不同正规矩阵对参数估值的影响及其精度变化,结合变形监测数据,探讨补偿最小二乘准则下的灰色预测与最小二乘准则下的灰色预测精度的变化。3.对于半参数模型及其岭估计,探讨了当法矩阵病态时模型的解法,探讨了岭参数的选取方法,分析了半参数模型岭估计与泛补偿最小二乘估计之间的联系。通过算例分析了半参数模型与半参数岭估计解算病态模型对参数估值的影响。4.考虑到最小二乘估计不具备抗差性,所以补偿最小二乘估计也不具备抗差性,研究了半参数模型抗差估计,探讨了抗差估计权因子的选取方法,推导了基于选权迭代法的半参数抗差估计的计算公式,通过算例对比分析了几种模型解的精度以及对精度的影响。
周敏,周世健,谯婷,池其才[8](2017)在《半参数模型自然样条函数法与时间序列法分析》文中研究说明针对半参数模型补偿最小二乘的关键是确定合适的正规矩阵和平滑因子问题,选取了3种方法得到的正规矩阵:自然样条函数法,时间序列法的一阶差分法和二阶差分法。探讨分析了不同正规矩阵对参数估值的影响,以及系统误差系数的变化与正规矩阵对参数的影响。模拟算例表明,不同正规矩阵得到的参数估值不同,系统误差系数的变化对自然样条函数法和一阶差分法的影响趋于一致。
毛文飞,邹自力,吴蒙[9](2016)在《基于半参数的MGM(1,N)模型变形预测》文中研究表明针对传统MGM(1,N)模型本身存在一定的缺陷,提出半参数MGM(1,N)变形预测模型,以补偿最小二乘作为约束条件。而半参数模型的关键是确定正则化矩阵和平滑因子,用时间序列法选取正则化矩阵,用L-曲线法确定平滑因子,解算出参数A^B。采用文献[1]中的原始数据序列,分别利用半参数MGM(1,N)模型和传统MGM(1,N)模型进行预测,用相对误差作为精度评价指标,平均相对误差进行模型检验,得出半参数MGM(1,N)模型的预测效果比传统MGM(1,N)模型的效果好的结论,同时验证了传统MGM(1,N)模型的模型误差。
许运鹏,高昂,孙磊,吕玉婷[10](2016)在《海洋测深网系统误差的平差计算》文中认为利用一般多项式模型、线性多项式与三角函数多项式结合的模型,将系统误差表示为与时间相关的量,对海洋测深网的系统误差值进行分离。引入半参数模型,将参数值与模型误差进行分离;结合实测的交叉点不符值进行平差计算,使平差后精度进一步提高。
二、正规矩阵R及平滑因子α的选取(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、正规矩阵R及平滑因子α的选取(论文提纲范文)
(1)基于智能算法组合模型的边坡位移预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究意义 |
1.2 国内外研究现状 |
1.2.1 理论与模拟研究现状 |
1.2.2 边坡变形预测预报研究现状 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 滑坡位移监测及预测模型 |
2.1 滑坡位移监测技术 |
2.2 灰色预测模型 |
2.2.1 灰色GM(1,1)模型 |
2.2.2 灰色Verhulst模型 |
2.2.3 NGM(1,1,k,c)模型 |
2.2.4 灰色模型的精度检验 |
2.3 支持向量机模型 |
2.3.1 支持向量回归机 |
2.3.2 SVR模型的精度检验 |
2.4 本章小结 |
3 预测模型优化改进 |
3.1 改进灰色模型 |
3.1.1 原始数据处理 |
3.1.2 背景值优化和初始条件优化 |
3.1.3 PSO-NGM位移预测模型 |
3.1.4 基于数据融合的灰色预测模型 |
3.2 支持向量机优化 |
3.2.1 基于模糊信息粒化的SVR模型 |
3.2.2 PSO-SVR位移预测模型 |
3.2.3 WNN-SVR预测模型 |
3.3 本章小结 |
4 优化模型的加权组合预测模型 |
4.1 基于熵权法的PSO-SVR-NGM组合模型 |
4.2 SVR-NGM-WNN最优加权组合模型 |
4.3 本章小结 |
5 基于稳健估计的半参数NGM模型 |
5.1 半参数模型 |
5.1.1 正则化矩阵R的选取 |
5.1.2 平滑因子α的确定 |
5.2 稳健估计 |
5.3 基于稳健估计的多因素半参数NGM模型 |
5.4 本章小结 |
6 结论和展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(2)区域CORS基准站坐标时间序列分析研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 时间序列的获取及预处理研究现状 |
1.2.2 时间序列的空间滤波研究现状 |
1.2.3 时间序列的季节性信号提取研究现状 |
1.3 主要研究内容 |
第二章 区域CORS数据处理与时间序列的获取 |
2.1 GNSS定位的基本模型 |
2.1.1 非差精密单点定位 |
2.1.2 双差相对定位 |
2.2 数据处理软件GAMIT |
2.2.1 软件介绍 |
2.2.2 软件配置 |
2.2.3 软件处理流程 |
2.2.4 精度评定 |
2.3 郑州CORS数据处理 |
2.3.1 数据准备 |
2.3.2 数据质量分析 |
2.3.3 数据解算结果分析 |
2.3.4 用户端性能测试 |
2.4 本章小结 |
第三章 时间序列的预处理 |
3.1 粗差探测 |
3.1.1 理论方法 |
3.1.2 实验分析 |
3.2 缺失点插补 |
3.2.1 理论方法 |
3.2.2 实验分析 |
3.3 阶跃项探测 |
3.3.1 理论方法 |
3.3.2 实验分析 |
3.4 本章小结 |
第四章 时间序列的共模误差剔除 |
4.1 常用滤波算法 |
4.1.1 区域堆栈滤波法 |
4.1.2 相关加权堆栈滤波法 |
4.1.3 主成分分析法 |
4.2 改进算法 |
4.3 实验分析 |
4.3.1 数据选取 |
4.3.2 残差RMS分析 |
4.3.3 拟合残差分析 |
4.3.4 速度场精度分析 |
4.4 本章小结 |
第五章 时间序列的季节性信号提取 |
5.1 理论方法 |
5.1.1 最小二乘法 |
5.1.2 半参数方法 |
5.2 改进算法 |
5.2.1 改进半参数模型 |
5.2.2 最优平滑因子确定 |
5.3 实验分析 |
5.3.1 模拟实验 |
5.3.2 实测实验 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 不足与展望 |
致谢 |
参考文献 |
作者简历 |
(3)改进的半参数模型法在GNSS时间序列季节性信号提取中的应用(论文提纲范文)
1 方法原理 |
1.1 半参数模型 |
1.2 改进半参数模型的GNSS时间序列季节性信号提取方法原理 |
1.3 最优平滑因子α的确定 |
1.3.1 平滑因子α的确定准则 |
1.3.2 平滑因子α的最优化计算方法 |
2 模拟实验与分析 |
2.1 算法可用性分析 |
2.2 计算效率分析 |
2.3 计算性能分析 |
3 结论 |
(4)半参数改进灰色模型在滑坡变形预测中的应用(论文提纲范文)
0 引言 |
1 补偿最小二乘准则下的灰色模型 |
2 正规矩阵R和平滑因子α的选取 |
3 应用实例比较与分析 |
3.1 实例1 |
3.2 实例2 |
3.3 实例3 |
4 结束语 |
(5)利用半参数模型精化二次曲面GPS高程异常拟合模型(论文提纲范文)
0 引言 |
1 高程二次曲面拟合模型及其最小二乘估计 |
2 半参数模型 |
2.1 GPS高程拟合的半参数二次多项式模型 |
2.2 平滑因子与正则矩阵的确定 |
3 实例分析 |
4 结束语 |
(6)半参数模型在区域地磁场建模中的应用(论文提纲范文)
1 地磁拟合理论基础 |
2 半参数回归数学模型及实验 |
2.1 半参数回归模型 |
2.2 数学实验 |
2.2.1 数据介绍 |
2.2.2 拟合过程 |
3 分析与讨论 |
4 结论 |
(7)半参数模型的若干问题探讨(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 引言 |
1.2 国内外研究现状 |
1.3 本文的研究内容和意义 |
1.4 论文的章节安排 |
第2章 半参数模型和补偿最小二乘估计 |
2.1 概述 |
2.2 基于补偿最小二乘估计的半参数模型 |
2.3 估计量的统计性质 |
2.4 正规矩阵R和平滑因子 的选取 |
2.4.1 正规矩阵R的选取 |
2.4.2 平滑因子α的选取 |
2.5 算例分析 |
2.6 一种改进选取最佳平滑因子的方法 |
2.7 本章小结 |
第3章 半参数模型及其在灰色模型中的应用 |
3.1 概述 |
3.2 GM(1,1)模型 |
3.3 补偿最小二乘准则下的GM(1,1)建模 |
3.3.1 改进正规矩阵的选取 |
3.4 时间序列法与自然样条函数法矩阵比较分析 |
3.5 改进的正规矩阵在半参数GM(1,1)中的应用 |
3.6 本章小结 |
第4章 半参数模型及其岭估计 |
4.1 概述 |
4.2 岭估计 |
4.2.1 模型病态程度的衡量 |
4.2.2 岭估计的定义及其性质 |
4.3 半参数模型岭估计 |
4.3.1 岭参数的选择 |
4.4 半参数模型岭估计与泛补偿最小二乘估计 |
4.5 算例分析 |
4.6 本章小结 |
第5章 半参数模型及其抗差估计 |
5.1 概述 |
5.2 抗差估计原理 |
5.2.1 正态分布密度下的极大似然估计准则 |
5.2.2 M估计定义及其估计 |
5.2.3 权因子选取方法 |
5.3 半参数抗差估计 |
5.3.1 抗差补偿最小二乘估计 |
5.3.2 半参数抗差估计选权迭代法 |
5.4 算例分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
读研期间科研实践成果 |
(8)半参数模型自然样条函数法与时间序列法分析(论文提纲范文)
0 引言 |
1 半参数模型和补偿最小二乘估计 |
2 自然样条函数法确定正规矩阵 |
3 时间序列法确定正规矩阵 |
4 算例分析 |
5 结论 |
(9)基于半参数的MGM(1,N)模型变形预测(论文提纲范文)
0 引言 |
1 半参数MGM(1,N)模型的建立 |
1.1 MGM(1,N)模型的提出 |
1.2 MGM(1,N)的建模 |
1.3 半参数模型理论 |
1.4 半参数MGM(1,N)模型的建立及求解 |
1.5 正则化矩阵R和平滑因子α的选取 |
2 预测模型检验 |
2.1 平均相对误差 |
2.2 平均相对误差评价指标 |
3 算例分析 |
4 结束语 |
(10)海洋测深网系统误差的平差计算(论文提纲范文)
1 海洋测深网的系统误差分离模型 |
2 引入半参数模型的海洋测深网系统误差的分离 |
3 正则矩阵与平滑因子的确定 |
3.1 正则矩阵R的选取 |
3.2 平滑因子α的选取 |
4 算例分析 |
5 结论 |
四、正规矩阵R及平滑因子α的选取(论文参考文献)
- [1]基于智能算法组合模型的边坡位移预测研究[D]. 李晴文. 大连理工大学, 2021
- [2]区域CORS基准站坐标时间序列分析研究[D]. 王方超. 战略支援部队信息工程大学, 2020(08)
- [3]改进的半参数模型法在GNSS时间序列季节性信号提取中的应用[J]. 王方超,吕志平,邝英才,李林阳,吕浩,李静静. 测绘科学技术学报, 2020(01)
- [4]半参数改进灰色模型在滑坡变形预测中的应用[J]. 潘国荣,乔立洋,王穗辉. 测绘科学, 2019(09)
- [5]利用半参数模型精化二次曲面GPS高程异常拟合模型[J]. 袁浩涛,张欢欢,张俊. 测绘与空间地理信息, 2019(01)
- [6]半参数模型在区域地磁场建模中的应用[J]. 郭云飞,汪金花,吴兵,陈晓停. 华北理工大学学报(自然科学版), 2017(04)
- [7]半参数模型的若干问题探讨[D]. 周敏. 东华理工大学, 2017(01)
- [8]半参数模型自然样条函数法与时间序列法分析[J]. 周敏,周世健,谯婷,池其才. 江西科学, 2017(01)
- [9]基于半参数的MGM(1,N)模型变形预测[J]. 毛文飞,邹自力,吴蒙. 江西科学, 2016(05)
- [10]海洋测深网系统误差的平差计算[J]. 许运鹏,高昂,孙磊,吕玉婷. 测绘工程, 2016(03)