栅格DEM坡度因子提取的BP神经网络法

针对传统的地形因子提取过程存在叠加分析过程烦琐、复杂地形因子提取困难、无法满足当下自动化与精细化生产需求的问题,引入非线性映射能力强的反向传播（BP）神经网络对地形因子进行提取与分析。选定坡度作为研究对象,采取双隐含层提高网络泛化能力,利用正交实验法获取最优化结构,提升模型拟合度至99%,平均绝对误差为0.561 6°,均方根误差为0.782 7°。本研究创新性地将神经网络迁移到数字地形分析领域,为地形因子的获取提供了一种便捷高效的思路。     

栅格DEM微地形分类的BP神经网络法

栅格DEM微地形分类是数字地形精细化应用的基础，基于规则化知识的栅格DEM微地形分类方法存在自动化程度低、分类残缺等问题。本文利用BP神经网络的优势构建了栅格DEM微地形分类的人工智能方法与实现途径。以山体部位分类为微地形分类典型样例进行试验验证与分析，试验结果表明，栅格DEM微地形分类的BP神经网络法较已有的地形因子叠加分析方法存在明显优势，不仅在流程上可避免烦琐的数据叠加分析过程，而且分类结果的完整性和错分率都得到有效改善；在山体部位分出的6种微地形中，冲积地对该方法适应性最强，准确率为100%，背坡的适应性最弱准确率为89.23%。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

基于自适应UKF的BP神经网络及其在高程拟合中的应用

针对BP神经网络收敛速度慢、容易陷入局部极小值点和泛化能力差等问题,基于自适应Kalman滤波理论,提出一种自适应非线性滤波(UKF)训练BP神经网络的方法。该方法采用Kalman滤波框架,引入自适应因子,对神经网络的连接权进行训练,提高了神经网络的学习质量。高程异常拟合算例表明,基于自适应UKF的BP神经网络比标准BP神经网络收敛速度快,泛化能力强,从而证明了该方法是一种有效的连接权训练方法。     

基于地形特征的采煤沉陷盆地构建与水平移动信息智能提取方法

在西部黄土高原复杂地形地貌下构建采煤沉陷盆地和提取水平位移的难度较大,传统地表沉降监测手段只能获取线状数据,效率低,而重复轨道合成孔径雷达干涉测量技术在大梯度形变区域易出现失相干现象,难以达到矿区地表沉降监测精度要求。提出了一种基于无人机载激光雷达点云数据构建沉陷盆地和提取水平位移的方法。结合多地形因子构建深度神经网络（deep neural network,DNN）模型,提取沉陷盆地构建过程中受地形影响较小的特征稳定区,利用较优插值算法对稳定区进行拟合,得到完整沉陷盆地。为了提取采煤地表水平移动信息,将二进制形状上下文特征描述算子与多地形因子融合起来,以改进特征匹配算法。基于此设计地表水平移动提取方案,提取主断面水平移动信息,同时对水平移动提取误差与点云密度、地形因子进行定量分析。榆神矿区结果表明,利用结合地形因子的DNN模型能有效提取特征稳定区,在复杂地貌下减小了沉陷建模误差,为构建采煤沉陷盆地提供了一种新方法;利用融合地形特征的改进特征匹配算法提取的水平移动曲线符合采煤沉陷水平移动基本规律,与水平移动偏差相关性较强的地形因子可用于衡量改进特征匹配算法对水平移动提取误差的大小。     

GPS高程分区拟合法在地形复杂地区的应用研究

GPS高程拟合方法已广泛应用于各类工程测量中,是目前提高高程测量效率的有效手段。在地形复杂地区,利用分区拟合方法能更加客观地表达出似大地水准面的真实状况。以绥江县城新址边坡监测为例,利用分区拟合法进行高程拟合,并将其拟合结果与平面拟合法、二次曲面法、多面函数法、BP神经网络等经典拟合模型的拟合结果进行比较,得到分区拟合法在地形复杂地区具有更高的拟合精度的结论。     

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。     

输电线路的数字微地形自动提取方法

微地形是输电线路工程安全运行、电线积冰风险区划和线路建设期能耗计算等工作的重要基础,实现输电线路微地形的合理提取是复杂地形条件下电网工程建设的前提与保证。针对传统输电线路微地形提取存在决策知识模糊、主观因素影响大和缺少定量提取指标等问题,依据规程中微地形分类体系,提出了以地形位置指数、坡度、相对高程和水体距离为特征因子的组合表达输电线路微地形提取决策方案,利用数字地形分析技术建立了输电线路微地形自动提取方法。以2012—2018年某电网公司9条输电线路域栅格数字高程模型数据进行提取实验,实验结果与分析表明,所提方法能够有效提取垭口地形、高山地形、抬升地形、峡谷地形和水汽地形5类典型输电线路微地形,且揭示了微地形分布与线路灾害发生的相关性,可为电网建设可行性论证、线路精细化设计等提供技术支持。     

线状工程GPS高程拟合方法研究

针对数学模型只适用于特定地形和神经网络模型易陷入局部最优解的特点,提出了最优加权算法,分别利用两种数学模型和两种神经网络模型进行线状工程GPS高程拟合,并将每种模型拟合效果好的单一算法组合成最优加权算法. 结果显示:多项式拟合法优于多面函数法,遗传模拟退火算法优化BP神经网络算法(GSA-BP)优于其他算法,为最优单一算法;加权算法比其单一成员算法精度分别提高17.7%、10.0%,且能基本满足四等水准测量要求,在线状工程GPS高程拟合中具有可行性.      

基于RBF神经网络的GPS高程拟合方法的研究

GPS高程拟合一直是工程应用中的一个研究热点,其中神经网络拟合方法得到了广泛的应用。本文利用RBF神经网络模型进行GPS高程拟合实验,主要针对模型中隐含节点数和最佳SPREAD值的确定进行实验研究,并利用MATLAB神经网络工具箱实现了GPS高程拟合。同时,将RBF神经网络拟合结果与BP网络拟合结果进行对比分析,结果表明,RBF网络拟合效果要优于BP网络,得到的拟合精度要高。     

地形起伏度最佳分析区域预测模型

地形起伏度指分析区域内最高点和最低点之差,反映宏观区域内地形的起伏特征,是描述地貌形态的定量指标。确定最佳分析区域是地形起伏度提取算法的核心步骤,以及决定地形起伏度提取结果有效性的关键。本文以全国范围内随机选取的78个实验区域、三种不同尺度的DEM数据作为实验对象,分别进行系列分析区域尺度的地形起伏度计算,建立了基于微观地形特征因子的地形起伏度最佳分析区域预测模型。实验表明：相同区域、不同尺度的DEM数据提取的地形起伏度存在差异,DEM尺度相差较小时,地形起伏度的差异也较小;地形起伏度和实验区域的最大高程、区域高差、平均坡度和平均坡度变率等地形特征因子存在强相关关系;当置信水平为0.05时,预测模型拟合参数的准确率达到95%以上,证明预测模型可以有效地确定最佳分析区域的取值范围。     

BP神经网络在GPS高程异常拟合中的应用

以提高GPS高程异常拟合的精度为目标,针对实际工程数据,对BP网络模型进行详细的设计,应用BP神经网络方法进行粗差的剔除和高程异常拟合实验及模型精度的评定,得到较满意的结果。通过与多面函数法得到的结果进行比较,证实该模型可使拟合精度有较大提高。     

基于北京二号影像辅助nDSM的建筑物自动提取

针对建筑物提取方法缺乏泛化性的问题,本文提出了将nDSM、北京二号影像、NDVI、BAI的七通道图像相结合作为数据源的提取方法。采用随机森林、梯度提升机、支持向量机、BP神经网络分类器对建筑物进行提取获取最佳分类器模型,并运用二值化与开闭运算,以建筑物面积与最小外接矩形面积的比值为阈值,对建筑物分别进行最小外接矩形、DP算法拟合,优化建筑物提取结果。试验结果表明,梯度提升机(GBDT)较其他分类模型在不同场景下综合效果较好,F-score精度更高。     

基于BP神经网络的Shepard曲面拟合方法在区域似大地水准面中的应用

在几何模型拟合区域水准面过程中,每种模型拟合高程都存在一些缺陷。在分析BP神经网络和Shepard曲面拟合方法各自优势的基础上,提出一种基于BP神经网络的Shepard曲面拟合方法的混合模型,并通过实例论证得出其拟合精度可达到厘米级,能满足一般工程的需要,解决了区域高程拟合单一模型的缺陷问题。     

不同比例尺DEM地形信息容量的探讨

本文以福建省11个地区作为实验样区,利用Python脚本进行批量提取地形因子,从中选取坡度、粗糙度两个地形因子,并引入信息论中的信息熵、自信息相关理论进行研究。以1∶10 000比例尺DEM提取的地形因子为真值,与1∶50 000比例尺DEM所提取的地形因子信息容量进行对比分析,研究两种比例尺DEM所提取的地形因子引起的信息容量的损失和纠正方法,以及通过线性回归分析寻找两种比例尺DEM的相同地形因子面积定量信息对应的转换公式。     

不同比例尺DEM地形信息容量的探讨

本文以福建省11个地区作为实验样区,利用Python脚本进行批量提取地形因子,从中选取坡度、粗糙度两个地形因子,并引入信息论中的信息熵、自信息相关理论进行研究。以1∶10 000比例尺DEM提取的地形因子为真值,与1∶50 000比例尺DEM所提取的地形因子信息容量进行对比分析,研究两种比例尺DEM所提取的地形因子引起的信息容量的损失和纠正方法,以及通过线性回归分析寻找两种比例尺DEM的相同地形因子面积定量信息对应的转换公式。     

BP神经网络和SVR用于GPS高程拟合研究分析

首先介绍BP神经网络和SVR方法(支持向量机回归)用于GPS高程拟合的原理,然后通过实际数据比较BP算法和SVR在GPS高程拟合中精度。结果表明,以结构风险最小化为准则的学习方法SVR,其泛化能力明显比BP神经网络好,在工程中具有一定的实际应用价值。     

土壤Cu含量高光谱反演的BP神经网络模型

以高光谱数据为基础,针对传统土壤重金属反演模型拟合度低、预测效果差的缺点,提取光谱预处理后的特征波段数据进行相关性分析,选取860nm一阶微分光谱反射率建立基于Matlab的重金属Cu含量BP神经网络预测模型,模型的拟合优度为0.721,预测精度达82.3%,高于传统单元线性回归模型0.414的拟合优度与76.1%的预测精度。研究表明,BP神经网络模型具有良好的拟合优度与预测能力,能更有效预测土壤中重金属Cu的含量。     

对DEM地形定量因子挖掘中若干问题的探讨

在地学研究中 ,地形结构信息的提取具有重要意义 ,而如何利用数字高程模型进行提取一直是地学工作者所面临的重要课题。在总结前人研究成果的基础上 ,从地形特征分析和水系特征分析两方面 ,比较了利用数字高程模型自动提取地形定量因子的基本原理、方法以及优缺点 ,并对其中存在的诸多理论与技术问题进行了系统的分析与探讨     

GA-BP神经网络的GPS可降水量预测

针对传统BP神经网络模型存在的学习速度慢、易陷入局部极值以及网络结构参数取值的不确定性等问题,该文研究了一种基于遗传算法与BP神经网络相结合的GPS可降水量预测的新方法。该方法利用遗传算法对BP神经网络的初始权值和阈值进行优化,并对该模型进行训练,以提高预测模型的性能。实验结果证明了遗传BP神经网络模型用于GPS可降水量预测的可行性,其预测结果的均方根误差为0.16 mm、平均绝对百分误差为0.23%。相对于BP神经网络和小波神经网络模型,均方根误差分别降低了0.37和0.19 mm,平均绝对百分误差分别降低了0.62%和0.33%。同时遗传BP神经网络模型亦显示了很好的非线性拟合能力,能更好地预测GPS可降水量,对实际工作具有较强的参考价值。