CN104915534B - 基于序列学习的电力铁塔变形分析与决策方法 - Google Patents
基于序列学习的电力铁塔变形分析与决策方法 Download PDFInfo
- Publication number
- CN104915534B CN104915534B CN201410683386.0A CN201410683386A CN104915534B CN 104915534 B CN104915534 B CN 104915534B CN 201410683386 A CN201410683386 A CN 201410683386A CN 104915534 B CN104915534 B CN 104915534B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- factor
- steel tower
- deformation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 241001123248 Arma Species 0.000 claims abstract description 12
- 229910052742 iron Inorganic materials 0.000 claims abstract description 10
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 43
- 239000010959 steel Substances 0.000 claims description 43
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000009021 linear effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000009022 nonlinear effect Effects 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000001373 regressive effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于序列学***均(Auto‑Regressive and Moving Average简称ARMA)模型进行初步预测，最后建立组合模型分析铁塔形变状态。本发明利用序列学习理论，建立组合模型，以用于电力塔形变分析，该方法解决了传统电力塔变形监测方式存在的建模单一粗糙，人工判断精度不高、效率低等问题。
Description
技术领域
本发明属于电力设备维护与监测技术领域，涉及一种基于序列学习的电力铁塔变形分析与决策方法。本发明利用序列学习可持续提高人工判读测量数据效率，降低人为因素的判断误差。
背景技术
传统变形监测一般采用地面常规测量技术、地面摄影测量技术、GPS空间定位技术应用，使用全站仪、照相机/摄像机、GPS导航定位设备，一般采用人工判读测量数据，分析判断铁塔变形状态。GPS导航变形监测技术采用单一的时间序列分析方法建模，无法准确分析判断风偏等突发位移。人工经验分析无法处理大数据和采样误差。单一的时间序列分析方法，不能解决多因素产生的变形情况，多因素一般包括水平沉降、风偏、覆冰等。
发明内容
本发明的目的在于克服现有技术的上述不足，本发明利用序列学习理论，建立组合模型，以用于电力塔形变分析，该方法解决了传统电力塔变形监测方式存在的建模单一粗糙，人工判断精度不高、效率低等问题。
本发明解决其技术问题所采用的技术方案是：首先使用卡尔曼滤波算法进行原始数据筛选，其次使用一元线性回归和最小二乘法进行筛选后数据的校核，再次使用小波分析理论对校核后数据进行滤波分析，然后建立自回归滑动平均(Auto-Regressive andMoving Average简称ARMA)模型进行初步预测，最后建立组合模型分析铁塔形变状态。
所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用卡尔曼滤波算法进行原始数据筛选包括以下几个具体步骤：
第一步：利用卡尔曼滤波算法，确定全网的观测方程、卡尔曼滤波的数学模型；
第二步：将采用卡尔曼滤波对各监测点的坐标进行滤波、预测,分析实时观测值与预测值向量的一致性。
所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用一元线性回归和最小二乘法进行筛选后数据的校核具体包括以下几个步骤：
第一步：根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态***算法(Real-time kinematic简称RTK)解算的数据，加速度与风速的相关系数；
第二步：建立加速度与倾角，加速度和RTK解算数据，加速度与风速的方程；
第三步：使用最小二乘法计算上述三个方程的回归参数；
第四步：使用方程计算数据，对比采集数据，找出问题数据。
所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用小波分析理论对校核后数据进行滤波分析具体步骤如下：
第一步：利用小波算法对采集到的数据进行分解；
第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；
第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。
所述的基于序列学习的电力铁塔变形分析与决策方法，所述的建立ARMA模型进行初步预测具体步骤如下：
第一步：ARMA混合回归模型因子阶数的确定；
第二步：自变量因子的选择；
第三步：原始观测资料的预处理；
第四步：计算结果分析。
所述的基于序列学习的电力铁塔变形分析与决策方法，所述的建立组合模型分析铁塔形变状态，具体步骤如下：
第一步：利用有限元分析理论，对问题铁塔进行单元划分，有别于传统的空间刚架模型，针对铁塔变形因素，特别设计了桁梁混合模型，即将铁塔的主结构和横隔结构确定为梁单元，斜拉结构确定为杆单元，更接近于实际的铁塔结构，而且还能很方便地解决采用桁架模型不易解决的问题；
第二步：构造铁塔整体刚度矩阵，计算结构等效节点荷载，确定结构平衡方程；
第三步：求解铁塔节点平衡方程，得到节点位移，计算各单元结构应力，对铁塔形变进行预测分析，这里将结合气象数据、惯性测量数据验证。
本发明具有如下的有益效果：
本发明提供一种基于序列学习的电力铁塔变形分析与决策方法，该方法首先基于事件序列建立了组合模型，解决人工判读测量数据效率低，分析判断变形状态误差较大的问题；同时，组合模型对于风偏突发位移情况能准确分析判别，提高危险报警准确性，并可以实现自动处理大批量测量数据，进行多因素组合分析的问题，提高监测***的准确性和可靠性。
附图说明
图1为基于序列学习的电力塔变形分析与决策方法的实施流程。
具体实施方式
下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
基于序列学习的电力塔变形分析与决策方法的实施流程如图1所示。具体实施方法如下：
1、基础数据卡尔曼滤波处理
现阶段北斗卫星导航用于变形观测中，通常是在确定的瞬间静态研究监测点的状态，而没有考虑到监测点随时间改变位移的动态特性。并且在观测过程中，观测数据往往不连续，这样就无法对动态变形进行实时准确描述。卡尔曼滤波具有最小无偏方差。在变形监测中，如果将变形体视为一个动态就可以用来描述这个变形体的运动情况，并能在这个***中分别找出表示它们的状态参数与其观测值之间的函数关系，那么就可以利用卡尔曼滤波来减弱随机噪声的干扰，进而达到提高变形观测数据精度的目的。
在基于北斗卫星导航的铁塔变形监测中,以监测点的位置、速率参数为状态向量，状态方程中再加进***的噪声，构造了一个典型的运动模型。变形监测网由n个监测点组成，以监测点三维位置和三维速率为状态向量，设点i在时刻t的位置向量为ξi(t),其瞬时速率为λi(t)，而将瞬时加速率Ωi(t)看作一种随机干扰，则有以下微分关系式：
取i点状态向量为Xi(t)，全网状态向量为X(t)，网中有n个待定点，即
其中，
原微分方程可写为：
式中，O和E分别表示三阶零矩阵和三阶单位矩阵，离散后设Δtk＝tk-1-tk，tk和tk-1分别为第k期和第k-1期的观测时刻，分别为X在tk-1、tk时的速度，为tk的加速度。根据n个点的状态方程得纯量形式，可得全网的状态方程为
矩阵表示为
Xk+1＝φk+1，kXk+Гk+1，kΩk (6)
全网的观测观方程为：
Lk+1＝Bk+1Xk+1+Δk+1 (7)
最终得到，动态方程与量测方程组成铁塔变形监测网卡尔曼滤波的数学模型为
二、一元线性回归和最小二乘法数据校验
根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态***算法(Real-time kinematic简称RTK)解算的数据，利用式(9)计算加速度与倾角，加速度和RTK解算数据，加速度与风速的相关系数
参照表1，当计算的大于表中相应值，可以认为相关性满足配置回归直线的条件，即可使用最小二乘法建立算加速度与倾角，加速度和RTK解算数据，加速度与风速的相关系数三个方程的回归参数方程。
表1相关系数检验法临界值
三、小波理论进行数据分层滤波
电力铁塔变形监测在实际观测应用中，测得的数据往往会受到多种随机或不确定性因素影响而产生误差干扰，这些误差干扰一般较小，且具有随机性，对信号的综合影响表现为在信号中叠加随机误差，即观测序列中含有高斯白噪声，以及随机误差和***性干扰，同时还会含有突变干扰或粗差，需要采用基于小波包变换的变形时间序列数据消噪。
第一步：利用小波算法对采集到的数据进行分解；
分解层次越大，被滤掉的噪声越多，同时信号的失真也越大，所以必须选择一个最佳的分解层次J，在保证信号不失真的前提下，最大程度的滤掉噪声。
实测的变形观测数据的信噪比事先未知，可采用估计方法确定最佳分解层次，逐渐增加分解层次，然后根据均方误差(RMSE)的变化是否趋于稳定来确定最佳分解层次J。
并依次计算出：
一般总有r>l，当r接近l时，一般可认为r≤1.1，则认为噪声已基本去除。最佳分解层次j为使r接近1时的j或j+l。通过试验，j一般取3至5即可。
第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；
阈值估计是铁塔变形监测信号的小波包阈值消噪的关键之一，如果阈值太小，消噪后的信号仍然存在噪声；而阈值太大，重要的信号特征又将被滤掉，引起偏差。参照各种阈值估计准则消噪的SNR和RMSE对比表。
表2SNR和RMSE对比表
选择Birge-massart阈值准则计算：
式中，c(k)是小波包系数，它是按绝对值递减的顺序排列的，n是系数个数；alpha是调整参数，必须是大于1的实数，其值越大，降噪信号的小波包表示越稀疏，alpha的典型值是2。
第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。
四、ARMA模型初步预测铁塔变形数据
ARMA混合回归需根据实际铁塔变形观测资料进行回归，在偏差平方和最小条件下求出各个因变量、自变量及各自变量历史值因子的回归系数。
第一步：ARMA混合回归模型因子阶数的确定
铁塔变形监测ARMA模型挑选因子时,自变量阶数不可能无限多,在实践中须做适当选取,一般采用AIC或BIC准则以使准则函数达到极小的模型作为最佳模型。
式中，为n阶模型的拟合残差方差；n为阶数(参数个数)，N为观测个数减最大滞后步数。
第二步：自变量因子的选择
自变量因子的选择应根据电力铁塔构造、影响铁塔变形的因素和观测资料确定,不同塔型和结构影响铁塔变形的因素不同。同时还需考虑影响因素的线性、非线性、滞后等多种效应。
(1)风偏位移分量因子。风力变化对电力铁塔变形具有线性、非线性效应,故选择每月风力的平均值及其二、三次方(P、P2、P3)三个因子作为风偏位移分量因子。
(2)温度位移分量因子。温度变化对铁塔变形具有线性和非线性效应,故取每月气温的平均值及其二、三次方(T、T2、T3)作为温度位移分量因子。
(3)因变量因子。位移观测结果作为因变量因子，每月取一个观测值。
(4)滞后步数的确定。由实测资料过程线可知,该铁塔变形的周期性不明显。根据经验,铁塔影响因素的滞后效应一般小于6个月,故取滞后步数6即可满足实际需要。
第三步：原始观测资料的预处理
ARMA混合回归分析以时间为顺序对电力铁塔变形观测资料进行分析处理,要求观测资料连续、序列平稳,且选择的观测时间间隔应相等,才能确保变形分析可靠、变形预报准确。但在实际中很难达到上述要求，因此分析铁塔变形时应先对原始变形观测资料进行缺测、平稳及标准化处理。
第四步：计算结果分析
采用前10a的观测资料建立变形模型、计算回归系数,后2a的观测资料作为预报验证资料并与预报值比较。以下为铁塔顶部的左、中、右三点水平位移的计算结果。
左：σε＝±3.198mm
中：σε＝±3.143mm
右：σε＝±3.331mm
五、铁塔有限元模型分析变形状态
第一步：利用有限元分析理论，对问题铁塔进行单元划分，有别于传统的空间刚架模型，针对铁塔变形因素，特别设计了桁梁混合模型，即将铁塔的主结构和横隔结构确定为梁单元，斜拉结构确定为杆单元，更接近于实际的铁塔结构，而且还能很方便地解决采用桁架模型不易解决的问题。
第二步：构造铁塔整体刚度矩阵，计算结构等效节点荷载，确定结构平衡方程。
(1)单元的总刚度矩阵
通过推到铁塔模型的梁单元的刚度矩阵，得出杆单元的刚度矩阵，同时考虑轴向位移、扭转位移、弯曲位移，推导出单元的总刚度矩阵如下：
其中，
E是单元材料的弹性模量；A是单元的截面积；l是单元的长度；r是从单元中性轴到边缘的距离；G为单元材料的剪切模量。
第三步：求解铁塔节点平衡方程，得到节点位移，计算各单元结构应力，对铁塔形变进行预测分析，这里将结合气象数据、惯性测量数据验证。
应用本文方法，计算测试铁塔的内力首先确定铁塔的荷载，本文中只考虑铁塔自重和集中荷载。以“90度大风”工况为例。软件计算加载点荷载大小如下表3所示。
表3软件计算加载点荷载
Claims (1)
1.基于序列学***均,简称ARMA模型进行初步预测，最后建立组合模型分析铁塔形变状态；
所述的使用卡尔曼滤波算法进行原始数据筛选包括以下几个具体步骤：
第一步：利用卡尔曼滤波算法，确定全网的观测方程、卡尔曼滤波的数学模型；
第二步：将采用卡尔曼滤波对各监测点的坐标进行滤波、预测,分析实时观测值与预测值向量的一致性；
所述的使用一元线性回归和最小二乘法进行筛选后数据的校核具体包括以下几个步骤：
第一步：根据铁塔变形采集数据，计算加速度与倾角、加速度和由实时动态***算法RTK解算的数据、加速度与风速的相关系数；
第二步：分别建立加速度与倾角、加速度和RTK解算数据、加速度与风速的方程；
第三步：使用最小二乘法计算上述三个方程的回归参数；
第四步：使用方程计算数据，对比采集数据，找出问题数据；
所述的使用小波分析理论对校核后数据进行滤波分析具体步骤如下：
第一步：利用小波算法对采集到的数据进行分解；
第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；
第三步：利用小波算法对采集数据重构；
小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值；
所述的建立ARMA模型进行初步预测具体步骤如下：
第一步：ARMA混合回归模型因子阶数的确定；
第二步：自变量因子的选择；
自变量因子的选择应根据电力铁塔构造、影响铁塔变形的因素和观测资料确定,不同塔型和结构影响铁塔变形的因素不同；同时还需考虑影响因素的线性、非线性、滞后多种效应；
(1)风偏位移分量因子：风力变化对电力铁塔变形具有线性、非线性效应,故选择每月风力的平均值及其二、三次方三个因子作为风偏位移分量因子；
(2)温度位移分量因子：温度变化对铁塔变形具有线性和非线性效应,故取每月气温的平均值及其二、三次方作为温度位移分量因子；
(3)因变量因子：位移观测结果作为因变量因子，每月取一个观测值；
(4)滞后步数的确定：由实测资料过程线可知,该铁塔变形的周期性不明显；根据经验,铁塔影响因素的滞后效应小于6个月,故取滞后步数6即可满足实际需要；
第三步：原始观测资料的预处理；
第四步：计算结果分析；
所述基于序列学习的电力铁塔变形分析与决策方法中建立组合模型分析铁塔形变状态，具体步骤如下：
第一步：利用有限元分析理论，对问题铁塔进行单元划分，有别于传统的空间刚架模型，针对铁塔变形因素，特别设计了桁梁混合模型，即将铁塔的主结构和横隔结构确定为梁单元，斜拉结构确定为杆单元，更接近于实际的铁塔结构，而且还能很方便地解决采用桁架模型不易解决的问题；
第二步：构造铁塔整体刚度矩阵，计算结构等效节点荷载，确定结构平衡方程；
第三步：求解铁塔节点平衡方程，得到节点位移，计算各单元结构应力，对铁塔形变进行预测分析，这里将结合气象数据、惯性测量数据验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410683386.0A CN104915534B (zh) | 2014-11-25 | 2014-11-25 | 基于序列学习的电力铁塔变形分析与决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410683386.0A CN104915534B (zh) | 2014-11-25 | 2014-11-25 | 基于序列学习的电力铁塔变形分析与决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915534A CN104915534A (zh) | 2015-09-16 |
| CN104915534B true CN104915534B (zh) | 2018-10-02 |
Family
ID=54084596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410683386.0A Active CN104915534B (zh) | 2014-11-25 | 2014-11-25 | 基于序列学习的电力铁塔变形分析与决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915534B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105510065A (zh) * | 2015-11-26 | 2016-04-20 | 青岛中天斯壮科技有限公司 | 钢结构广播电视发射塔结构安全监测技术 |
| CN106679625B (zh) * | 2016-12-05 | 2019-06-21 | 安徽继远软件有限公司 | 基于北斗***的广域范围电力铁塔高精度形变监测方法 |
| CN106815478B (zh) * | 2017-01-17 | 2019-03-08 | 辽宁工程技术大学 | 一种基于自适应卡尔曼滤波的高铁沉降观测数据预测方法 |
| CN108595725A (zh) * | 2017-12-29 | 2018-09-28 | 南方电网科学研究院有限责任公司 | 一种直线塔风振响应测试的加速度传感器布置方法 |
| CN108509708A (zh) * | 2018-03-28 | 2018-09-07 | 国网江西省电力有限公司电力科学研究院 | 一种高压输电铁塔空间刚架有限元模型快速建立方法 |
| CN109540095A (zh) * | 2018-12-29 | 2019-03-29 | 北方信息控制研究院集团有限公司 | 基于卫星导航及最小二乘的路基沉降监测方法 |
| CN111060065A (zh) * | 2019-12-28 | 2020-04-24 | 汤碧红 | 通信钢塔高精度形变监测及综合利用算法 |
| CN111795639B (zh) * | 2020-05-29 | 2021-12-03 | 湖南联智科技股份有限公司 | 基于北斗高精度定位的基础设施结构变形监测方法 |
| CN114383494B (zh) * | 2020-10-21 | 2023-12-05 | 航天科工惯性技术有限公司 | Mems触发辅助gnss数据处理软件形变监测临灾预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101886744A (zh) * | 2010-06-25 | 2010-11-17 | 东北大学 | 便携式检测管道故障内检设备的超声定位装置及定位方法 |
| CN102636149A (zh) * | 2012-05-04 | 2012-08-15 | 东南大学 | 挠性体动态变形的组合测量装置及测量方法 |
| CN103557837A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 可修正传感器安装误差的杆塔倾斜度在线监测方法 |
-
2014
- 2014-11-25 CN CN201410683386.0A patent/CN104915534B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101886744A (zh) * | 2010-06-25 | 2010-11-17 | 东北大学 | 便携式检测管道故障内检设备的超声定位装置及定位方法 |
| CN102636149A (zh) * | 2012-05-04 | 2012-08-15 | 东南大学 | 挠性体动态变形的组合测量装置及测量方法 |
| CN103557837A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 可修正传感器安装误差的杆塔倾斜度在线监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Kalman filter with outliers and missing observations;T.Cipra et.;《Sociedadde Estadistica a Tnvestigacion Operative Test》;19971231;第6卷(第2期);第379-395页 * |
| Maximum likelihood fitting of ARMA models to time series with missing observations;Jones;《Technometrics》;19801231;第22卷;第389-395页 * |
| 变形监测数据处理的方法研究;杜琨;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515(第5期);第1-2、12-14、20页 * |
| 基于小波技术的时序分析法用于GPS监测数据处理的研究;石双忠;《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》;20050315(第1期);第A008-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915534A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915534B (zh) | 基于序列学习的电力铁塔变形分析与决策方法 | |
| CN104931040B (zh) | 基于机器学习的北斗ⅱ代导航***电力铁塔变形监测设备安装和调试方法 | |
| CN109345875B (zh) | 一种提高船舶自动识别***测量精度的估计方法 | |
| De Giorgi et al. | Error analysis of short term wind power prediction models | |
| CN107330149B (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
| CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
| CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN108090614A (zh) | 一种基于相关系数的空间风场预测模型建立方法 | |
| CN109492756A (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
| Forristall et al. | Wave crest sensor intercomparison study: an overview of WACSIS | |
| Yao et al. | Damage and noise sensitivity evaluation of autoregressive features extracted from structure vibration | |
| CN110457795A (zh) | 基于神经网络的高层建筑物风致位移状态评估方法 | |
| CN111612241A (zh) | 智能船舶路径规划功能实现性的综合评价方法 | |
| CN112001559A (zh) | 一种变形监测预报方法 | |
| CN102749584B (zh) | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 | |
| Mérigaud et al. | Ocean forecasting for wave energy production | |
| CN105071961A (zh) | 一种Web服务的服务质量预测方法和装置 | |
| CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
| Sertel et al. | Estimating daily mean sea level heights using artificial neural networks | |
| CN106225916B (zh) | 固定式海洋平台安全可靠性的定量、在线的检测方法 | |
| Chandra et al. | Cooperative neuro-evolution of Elman recurrent networks for tropical cyclone wind-intensity prediction in the south pacific region | |
| CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
| CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
| Xie et al. | Research on attitude compensated algorithm for shipborne dynamic weighing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |