InSAR技术结合深度学习的范围性地表沉降预测
针对InSAR技术所提取的太原市局部地区沉降数据因其波动性和非线性影响,直接进行机器学习难以达到理想的预测效果的问题,该文提出一种自适应噪声完整经验模态分解(CEEMDAN)样本熵和深度学习组合的范围性地表沉降预测模型.基于CEEMDAN算法将沉降信息分解为多个模态分量(IMF)并计算其样本熵,利用相近原则对IMF重构后运用深度学习(Bi-LSTM)进行预测,将各序列的预测值叠加得到总沉降预测值.实验结果表明:相比BP神经网络、极限学习机(ELM)等模型,该预测模型的均方根误差、平均绝对误差和平均绝对百分比误差至少降低38.45%、41.26%和43.57%.表明该模型能够更好把握波动性较大的沉降信息,提高预测精度,为范围性的地表沉降预测提供了一种新的方法.
经验模态、样本熵、深度学习、地表沉降、InSAR
47
P237(摄影测量学与测绘遥感)
自然资源部国土卫星遥感应用重点实验室资助项目;辽宁省教育厅项目;辽宁工程技术大学学科创新团队资助项目
2022-10-31(万方平台首次上网日期,不代表论文的发表时间)
共10页
60-68,134