利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律。综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型。将大坝变形的时间序列分为非线性部分和线性部分。针对非线性部分,利用SVM进行滚动预测,并与NAR动态神经网络进行对比,试验表明SVM处理非线性问题具有相对的优势;针对线性部分,通过ARIMA模型对其进行单步滚动预测,综合两项预测结果得到组合模型的预测值。结合大坝实测资料对组合模型进行检验,试验结果表明,SVM-ARIMA组合模型的预测精度高,能更好地描述大坝位移的变化趋势,具有一定的实用价值。     

机载LiDAR数据中电力线的自动提取与重建

为实现电力线走廊更加有效地巡检，本文设计了一套LiDAR点云数据中电力线自动提取与重建的方法。首先，利用改进的渐进形态学滤波剔除地面点，通过高差阈值与高程离散度分割，实现电力线点粗提取；然后，借助RANSAC直线检测，得到电力线直线模型，依靠密度检测，实现单根电力线点云精确聚类；此外，利用k-means算法完成分裂导线束间归类；最后，进行二次多项式限制的最小二乘拟合，生成电力线曲线模型。试验结果表明，使用该方法电力线点云提取的正确率达98%以上，非电力线点云误判率低至1%左右，电力线直线模型拟合误差在5 cm以下，曲线模型拟合误差在3 cm以下，完全满足实际工程需求。     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型。利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比。研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考。     

一种分步式建筑物屋顶面点云高精度提取方法

针对现有机载激光雷达（LiDAR）点云高精度提取方法存在建筑物屋顶面提取精度较低、适应性较差等问题,提出一种分步式建筑物屋顶面点云高精度提取方法。该方法通过主成分分析计算点云可靠性指标,选取可靠平面点;然后,利用K-means算法实现可靠点在法向量空间上的聚类,并通过逐步平面估计,提取初始屋顶面片;最后,进行面片的合并与未标记点的归属判断。实验结果表明,本文方法提取结果优异,效率较高,且对不同复杂程度的建筑物屋顶面均能取得较好的提取效果。