基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

改进灰狼优化算法的研究

针对原始灰狼优化(Grey Wolf Optimization,GWO)算法在寻优过程中存在求解精度欠佳,后期极易陷入局部最优和收敛速度下降等多种问题,文章研究了改进的灰狼优化(Improve Grey Wolf Optimization,IGWO)算法。改进算法从改变参数和搜寻机制入手,采用对灰狼当前最优个体进行混沌扰动的初始化策略和随机控制当前不处于最优解范围个体的跳出局部最优策略,以提高其收敛速度和寻优精度。为验证算法实用性,文章采取9种基准函数测试IGWO算法的可行性,数据结果分析表明,该算法能够明显提高收敛速度和收敛精度,且效果均显著优于其他元启发式算法以及原始的GWO算法,可见在求解最优参数方面,IGWO算法具有较高的应用价值。

改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用

针对无人机匹配点云经地面点滤波后存在较多孔洞的问题,本文提出了利用改进哈里斯鹰算法优化最小二乘支持向量机修补地面点云孔洞。首先,利用八叉树结构法对滤波后的点云数据进行地面特征点提取;然后,采用非线性收敛因子和自适应逃脱概率策略对哈里斯鹰算法进行改进,并将其用于最小二乘支持向量机孔洞修补模型的参数优化。试验结果表明,与常规最小二乘支持向量机相比,组合模型的孔洞修补精度提高了34.3%,其稳定性也得到增强,具备一定的时效性和现实性。

一种IGrubbs-LWLR的区域高程异常拟合方法

针对测量数据中粗差干扰及高程异常拟合方法选择较为困难的问题,结合格拉布斯(Grubbs)法判别粗差的原理,提出一种改进格拉布斯(Improved Grubbs,IGrubbs)结合局部加权线性回归(Local Weighted Linear Regression,LWLR)的拟合模型构建法。在原Grubbs法则的基础上,引入自适应迭代,在训练数据中,对粗差进行识别,并设定粗差剔除完成的指标参数,从而降低原方法中发生误判或漏判的概率,并利用局部加权线性回归法通过预处理后的训练样本数据来建立区域高程异常拟合模型。实验结果表明,相较于传统Grubbs法则,改进后的Grubbs法对于高程异常数据中的粗差剔除更为快速有效,且利用局部加权线性回归法所构建的区域高程异常拟合模型的预测精度及稳定性也得到一定程度的提高,对今后工程中的测高工作具备一定的参考意义。

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer,MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。

基于WOA-LSSVM算法的区域GNSS高程异常拟合方法

为了提高区域GNSS高程拟合模型的预测精度,针对最小二乘支持向量机(LSSVM)模型中难以选择最佳参数的问题,将鲸鱼算法(WOA)引入最小二乘支持向量机中,利用其全局搜索能力强、参数少、收敛速度快等特性,为常规最小二乘支持向量机提供可靠的核参数和正则化参数。采用少量实际工程中的GNSS水准重合点进行检验,选择高程异常值的残差均方根误差作为组合算法建模精度的评判依据。结果表明:在带状区域中,WOA-LSSVM拟合模型的外符合精度相对于常规LSSVM拟合模型提高了30.3%;在小范围面状区域中,WOA-LSSVM拟合模型的精度、稳定性也优于LSSVM、BP拟合法,为今后GNSS高程拟合模型的建立提供了一定的参考价值。

基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程烦琐等问题,提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的机载雷达建筑物点云提取与单体化的方法。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合数字正射影像图(digital orthophoto map,DOM)进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明:提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效地提取出建筑物点云并将其单体化。

一种基于CSF-WOA-LSSVM的匹配点云土石方量计算方法

土石方量的获取在各工程项目中占据着重要地位,为了提高无人机倾斜摄影测量技术在土石方量计算中的工作效率、成果精度,提出一种基于CSF-WOA-LSSVM的匹配点云土石方量计算方法。该方法首先通过布料模拟滤波(cloth simulation filtering,CSF)对匹配点云进行地面点提取,可有效剔除噪声点和非地面点;然后利用最小二乘支持向量机(least squares support vector machine,LSSVM)对滤波后的地面点空洞进行插值修复,并引入鲸鱼优化算法(whale optimization algorithm,WOA)对LSSVM插值模型中的正则化参数和核函数参数进行优化;最后将插值修复完成的地面点导入南方CASS软件进行土石方量计算。应用该方法与CSF-LSSVM法、CSF-Kriging法以及RTK土石方量实测数据进行对比分析,结果表明,该方法的准确性优于其他2种滤波插值方法,相较于RTK土石方量实测结果,差值比为1.38%,完全符合土石方量计算的规范要求,并提高了工作效率。

多元宇宙算法在大坝水平位移预测中的应用

针对大坝变形预测的影响因素过多且无法精准预测的问题,将主成分分析方法、多元宇宙算法、BP神经网络协同应用于大坝水平位移预测中,构建出PCA-MVO-BP预测模型。通过PCA来降低原始输入参数的维度,消除变量间相关性,并结合多元宇宙算法的快速收敛、泛化能力强的特性,解决BP神经网络预测模型中的权值和阈值的优化问题。以丰满大坝监测数据为测试样本,将组合模型与常规预测模型进行对比。结果表明:相较于常规LSSVM、RF、SVM算法,组合预测模型的平均误差、标准误差、平均绝对百分比误差值均较小,其预测精度较于单一BP神经网络提高了28.85%。表明了PCA-MVO-BP模型在大坝水平位移预测中的现实性。