基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法（简称传统BP算法）的缺点,提出了改进型BP神经网络遥感水深反演算法（简称改进型BP算法）,其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明：改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。     

基于双向切片的点云孔洞修补方法研究

点云的孔洞修补是点云数据处理的重要一环。传统方法对孔洞区域包含多种曲面的孔洞,修补方法会产生失效或修补效果不理想的情况。本文引入了切片方法来进行复杂孔洞的修补,并在此基础上使用双向切片方法,修补的效果及精度良好。     

无人机倾斜摄影测量技术支持下的裸露边坡表面变化识别

为克服传统人工边坡调查方法效率低、风险高、难度大等缺陷,针对高陡裸露边坡,本文提出了基于无人机倾斜摄影的边坡三维重建和灾害识别分类方法,即利用无人机多视角序列影像重构裸露边坡三维实景模型,并将不同时期的边坡三维模型统一在相同的坐标系内。经试验验证,重建模型精度优于2 cm,基于点云与点云比较算法的三维点云数据变化检测算法,能够分析两个时期点云模型的细微差异,通过在三维实景模型中进行标记,结合PointNet++分类神经网络算法自制点云数据集,成功地实现对标记区域的识别与分类,从而实现边坡滑坡、坍塌、落石等灾害场景的智能化识别。     

使用安置参数优化的无人机点云与影像精配准

针对现有的无人机激光点云与影像配准方法主要基于仿射变换建立点云与影像之间的配准模型,无法描述激光点云与影像之间的复杂变换关系问题,该文提出一种基于安置参数优化的无人机激光点云与光学影像精确配准方法.以相机安置参数为优化参数,以归一化互信息作为点云特征影像与光学影像之间的相似性测度,采用改进Powell算法作为优化策略,获得最优配准参数,实现无人机激光点云与无人机影像之间的精确配准.基于实验数据与现有两种配准方法进行精度对比.实验表明,基于相机安置参数优化的配准方法优于两种常规配准方法,可以实现无人机激光点云与光学影像之间的自动化配准,并达到像素级的配准精度.     

基于非固定初始面元的无人机影像点云优化算法

获取平台的不稳定性容易导致无人机影像的几何变形增大。如何高精度匹配这类影像是当前摄影测量与遥感领域的研究热点之一。针对这个问题,提出基于非固定初始面元的无人机点云优化算法,采用差分代替微分计算地物表面局部正切平面的近似法向量,以此为初值建立初始物方面元进行匹配计算,并用两组数据进行实验验证。结果表明,基于非固定初始面元的无人机影像点云优化算法改进了基于物方面元的最小二乘匹配方法,优于基于面元的多视立体匹配(patch-based multi-view stereo matching and reconstruction,PMVS)中的点云优化方法,提高了点云优化的效率和精度。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

基于不同激活函数ELM的无人机实测数据高程拟合算法

为找出无人机实测数据高程转换拟合的方法,本文基于不同激活函数激活极限学习机模型得到ELMS、ELMR、ELMH3种模型,并将计算结果与广义回归神经网络模型和BP神经网络模型对比,结果表明:基于5种模型可对无人机实测高程数据的异常点进行筛选并剔除,3种ELM模型对于高程点的筛选结果基本一致,共筛选出了21个高程异常点,GRNN模型精度次之,BP神经网络模型精度最低,ELM模型在不同激活函数下的计算精度有所不同,其中ELMS模型在高程点剔除和高程数据拟合中精度最高,RMSE仅为0.157m,而Ens和R2分别达到了0.944和0.968,可为无人机实测数据高程转换拟合的标准模型使用。     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

小波分析与粒子群算法优化的灰色神经网络模型

针对灰色模型在测量数据波动较大时预测精度下降的缺陷,本文提出了采用小波分析与粒子群算法优化后的BP神经网络对灰色模型进行优化,生成了基于小波分析和粒子群算法优化的灰色神经网络预测模型。并使用青岛市航运中心的沉降观测数据对优化后的灰色模型进行精度验证,证明优化后的模型的预测精度相比于传统的灰色模型与经过小波降噪后的灰色模型,预测精度有了进一步提高。     

基于总体最小二乘切片的孔洞修补方法研究

对点云孔洞的修补进行研究是点云数据处理的重要部分。对常用的孔洞修补方法进行了介绍,并详细介绍了基于切片的孔洞修补方法。通过引入总体最小二乘方法对基于切片的孔洞修补方法进行改进,使修补的精度得到提高。通过对比常用的修补方法在复杂孔洞修补中的应用,基于总体最小二乘的切片方法的修补效果更优。     

基于改进BP神经网络的孔洞修复探讨

空间散乱点的处理一直是逆向工程的研究重点,其中散乱点的模型重建是研究的核心。针对模型重建过程中存在孔洞的问题,本文提出一种基于误差传播学习算法(BP)神经网络的修补方法,通过介绍BP神经网络的特点及算法原理,提出算法的改进方法,加快了网络收敛的速度、提高了网络拓扑结构,最后通过实验证明改进方法的优越性。     

实景三维模型孔洞区域的网格重构算法

针对无人机倾斜摄影技术生产的实景三维模型数据中存在孔洞区域的问题,该文提出一种能够修复常规孔洞和无网格边界孔洞的网格重构算法,通过峰值线检测、插值特征点以及曲面重建技术修补常规孔洞,而对于无网格边界孔洞则利用三维凸包构建、三角面探测和网格缝合技术来修补。该算法能够快速、准确的修补孔洞区域,保证模型的网格体拥有正确的拓扑结构并符合常规数据生产需求。实际生产数据的修复结果表明,该算法修复的网格模型在进行纹理映射后能够准确并美观地表达地物特征信息,修复过程也很大程度上简化了人工操作,进而提高了实景三维模型生产效率。     

滑坡表面位移的无人机航测点云比对监测方法

滑坡单点式位移监测难以反映滑坡的整体位移状态,采用多尺度模型到模型的点云比对算法（M3C2）可实现对滑坡的面域监测。本文首先通过对无人机采集的影像进行运动恢复结构（SfM）分析,还原滑坡三维点云模型;然后利用点云比对算法对两期点云数据进行处理,以色值大小体现滑坡区域的位移,进而识别滑坡表面位移变化;最后将该方法运用于实际边坡的表面位移监测。试验结果表明,应用M3C2算法可成功识别边坡变动区域,捕捉到1 cm的水平或垂直位移变化,能直观反映滑坡面域的变形状况。该方法适用于复杂地形条件下的滑坡位移整体监测,识别精度达到厘米级,性能优于两云直接比对算法（C2C）。     

RSA-BP组合模型在GNSS高程拟合中的应用

针对地形复杂区域构建GNSS高程异常拟合模型精度有限的问题,本文提出了一种基于爬行动物搜索算法(RSA)优化BP神经网络的方法。利用RSA对传统BP神经网络各层之间神经元的权值和阈值全局寻优,解决BP神经网络局部极值、梯度下降等问题;同时,选取三等水准测量精度以上的加密网点高程数据作为样本集,使用RSA-BP神经网络学习与训练。与最小二乘支持向量机、多面函数拟合性能对比,RSA-BP神经网络模型拟合精度最高,稳定性最好,与实际高程异常值最为吻合。     

无人机载激光雷达在房地一体测绘中的应用

主要探讨了如何利用大黄蜂四旋翼无人机搭载AS-900HL多平台激光雷达系统完成外业点云数据获取,通过点云解算软件生成高精度点云三维模型,采用CoMapping点云测图软件进行内业测图,形成测图成果后,通过图纸回放外业,进行修补测及间距勘丈的技术方法。通过点位精度和间距精度的验证,充分证明了采用无人机载激光雷达,不但可以达到房地一体测绘的精度要求,而且能够大大提高房地一体测绘的工作效率。     

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。     

一种改进匹配点对选取策略的ElasticFusion室内三维重建算法

对室内场景进行实时高质量的三维重建是机器人、增强现实等领域关注的重点。目前基于RGB-D传感器的三维重建方法存在局部模型重建效果差、点云模型包含孔洞等问题。而影响三维模型重建效果的主要因素有两个,一是由点云配准解算出的位姿参数精度,二是闭环检测准确程度。对此,在保证算法实时性的基础上,通过改进迭代最近点算法(iterative closest point algorithm,ICP)中匹配点的选取策略,提升模型重建效果。并利用径向基函数构建隐式曲面的方式对点云模型中的孔洞进行事后修补。选用ICL-NUIM等公开数据集进行实验验证,结果表明,改进后的算法在模型重建效果以及相机轨迹估计方面均有显著提升。     

基于小波分析的神经网络在遥感测温数据拟合中的应用

将小波母函数嵌入人工神经网络的神经元,形成紧致型小波神经网络,该网络用于遥感测温的数据拟合中,可提升纯粹的BP神经网络的拟合精度。本文结合红沿河核电站无人机红外测温试验,对其采集的一组温度数据采用小波神经网络进行拟合。对实验数据进行了统计分析,结果表明:小波神经网络能保证拟合误差在很小的范围之内,并且优于BP神经网络。     

SLAM激光点云整体精配准位姿图技术

基于同步定位与制图(simultaneous localization and mapping,SLAM)技术的激光扫描系统具有成本低、效率高的优点,近年来在测绘领域得到了广泛关注。虽然基于SLAM技术的激光扫描系统能够实现实时数据获取,但该数据获取方式难以保证点云精度,不同位置获取的同一地物的点云存在位置不一致。为了提高该类系统所获点云精度,本文提出一种分层次点云全局优化方法。该方法首先通过"点-切平面"迭代最近邻算法对重叠点云进行配准,形成扫描系统轨迹间的约束;然后构建位姿图对轨迹进行优化,利用优化后的轨迹对点云进行修正。算法通过将优化过程分解为局部和整体两个层次以提高计算效率。试验结果表明,优化后点云同名点对间的距离中误差减小约50%,内部不一致现象得到有效消除。