典型文献
InSAR技术结合深度学习的范围性地表沉降预测
文献摘要：
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.
文献关键词：
经验模态;样本熵;深度学习;地表沉降;InSAR
中图分类号：
作者姓名：
杨帆;胡晋;孙彩霞
作者机构：
辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000
文献出处：
引用格式：
[1]杨帆;胡晋;孙彩霞-.InSAR技术结合深度学习的范围性地表沉降预测)[J].测绘科学,2022(07):60-68,134
A类：
B类：
InSAR,技术结合,地表沉降预测,太原市,市局,局部地区,沉降数据,波动性,非线性影响,接进,难以达到,自适应噪声,整经,经验模态分解,CEEMDAN,样本熵,学习组,沉降预测模型,信息分解,模态分量,IMF,Bi,加得,极限学习机,ELM,平均绝对误差,平均绝对百分比误差
AB值：
0.356303
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
