基于三維激光掃描技術(shù)的地形空間三維數(shù)據(jù)分析與預(yù)測

1、 基于三維激光掃描技術(shù)的地形空間三維數(shù)據(jù)分析與預(yù)測 史延昭 葛優(yōu)Summary 三維激光掃描技術(shù)能夠提供掃描物體表面的三維數(shù)據(jù)，因此可以用于建立高精度高分辨率的數(shù)字地形模型。通過結(jié)合危險點特征數(shù)據(jù)，可以建立地形危險點模型。有利于甄別線路周邊違建，覆冰線路災(zāi)情評估技術(shù)，以及直觀的分析保電通道中重點三跨線路技術(shù)?！綤ey】三維激光掃描技術(shù) 三維數(shù)據(jù) 預(yù)測算法三維激光掃描技術(shù)通過高速激光掃描測量的方法，大面積高分辨率地快速獲取被測對象表面的三維坐標(biāo)數(shù)據(jù)。由于其具有快速性，不接觸性，穿透性，實時、動態(tài)、主動性，高密度、高精度，數(shù)字化、自動化等特性，其應(yīng)用推廣很有可能會像GPS -樣引起測量技術(shù)的又一次

2、革命。三維全景技術(shù)是一種桌面虛擬現(xiàn)實技術(shù)。三維全景技術(shù)具有以下幾個特點：一是實地拍攝，有照片級的真實感，是真實場景的三維展現(xiàn)。二是有一定的交互性，用戶可以通過鼠標(biāo)選擇自己的視角，任意放大和縮小，如親臨現(xiàn)場般環(huán)視、俯瞰和仰視。三是不需要單獨下載插件直接觀看。無人機全景掃描是通過無人機搭載全景拍攝系統(tǒng)，所采集的圖片數(shù)據(jù)進行制作后，以Flash方式呈現(xiàn)的一種全景觀摩方式，在觀看全景數(shù)據(jù)時可進行向前，向后行進，水平和垂直方向旋轉(zhuǎn)，從而可以3600觀看圖片數(shù)據(jù)中的景象。全景數(shù)據(jù)模式可直觀的展示和還原輸電線路現(xiàn)場情況，實現(xiàn)輸電線路全景圖像建模記錄，與圖紙結(jié)合形成完備和無死角的現(xiàn)場圖像檔案。1 地形空間三維

3、數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)的結(jié)合BP神經(jīng)網(wǎng)絡(luò)是一種信息的正向傳播而誤差的反向傳播的多層前饋網(wǎng)絡(luò)，是目前的應(yīng)用范圍十分廣泛。BP學(xué)習(xí)算法主要的思想是通過網(wǎng)絡(luò)學(xué)習(xí)修正網(wǎng)絡(luò)權(quán)值，不斷地減小網(wǎng)絡(luò)的期望輸出與實際輸出之間的誤差，直到輸出層誤差平方和達到最小值。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括信息正向傳播、誤差反向傳播、網(wǎng)絡(luò)記憶訓(xùn)練和學(xué)習(xí)收斂這四個階段。1.1 網(wǎng)絡(luò)輸入、輸出的確定這里就存在了一個對應(yīng)關(guān)系，即三維空間坐標(biāo)和對應(yīng)危險點之間的函數(shù)對應(yīng)關(guān)系，記做：i=f（xi，yi，zi）其中i為危險點數(shù)據(jù)。因此，選取這3個參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，即輸入層節(jié)點數(shù)為3，輸出層節(jié)點個數(shù)選為1。1.2 數(shù)據(jù)樣本歸一化確定好輸入

4、和輸出層向量及其節(jié)點數(shù)后，需要通過變換處理對樣本數(shù)據(jù)進行歸一化處理。處理的結(jié)果是將樣本的輸入和輸出數(shù)據(jù)變換到（O，1）區(qū)間或者（-1，1）區(qū)間。進行數(shù)據(jù)預(yù)處理常用的方法有很多，本文選擇極差變換進行歸一化處理。1.3 樣本數(shù)據(jù)分類神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，也稱泛化能力或推廣能力，網(wǎng)絡(luò)訓(xùn)練能力也稱逼近能力或?qū)W習(xí)能力。一般情況下，網(wǎng)絡(luò)訓(xùn)練能力差時，預(yù)測能力也差，并且一定程度上，隨訓(xùn)練能力地提高，預(yù)測能力也提高。但這種趨勢存在一個極限，當(dāng)達到此極限時，隨訓(xùn)練能力的提高，不但不會使預(yù)測能力提高，反而還會導(dǎo)致其下降。這樣現(xiàn)象被稱為“過度擬合”。換言之，神經(jīng)網(wǎng)絡(luò)過度地學(xué)習(xí)了樣本數(shù)據(jù)的細節(jié)，卻不能反映樣本數(shù)據(jù)蘊含的

5、規(guī)律。一般做預(yù)測分析時，會將數(shù)據(jù)樣本分為兩大部分。一部分是訓(xùn)練數(shù)據(jù)樣本，用于構(gòu)建網(wǎng)絡(luò)模型，一部分是測試數(shù)據(jù)樣本，用于檢驗網(wǎng)絡(luò)模型。但是，有時候模型的構(gòu)建過程中也需要檢驗?zāi)Ｐ?，來輔助模型構(gòu)建，所以又將訓(xùn)練數(shù)據(jù)再分為正常訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)兩個部分，其中驗證數(shù)據(jù)用于輔助模型的構(gòu)建，防止過渡擬合。此外，把數(shù)據(jù)樣本進行隨機分類可以使數(shù)據(jù)更加具備典型性，從而使構(gòu)建的網(wǎng)絡(luò)有更優(yōu)良的泛化能力。下面形式的描述一下前面提到的3類數(shù)據(jù)：訓(xùn)練數(shù)據(jù)（Test Data）：用于構(gòu)建網(wǎng)絡(luò)模型。驗證數(shù)據(jù)（Validation Data）：可選，用于輔助模型構(gòu)建，可以重復(fù)使用。測試數(shù)據(jù)（Test Data）：單獨用于檢測構(gòu)建的

6、網(wǎng)絡(luò)模型，此數(shù)據(jù)只在模型檢驗時使用，絕對不允許用于混入訓(xùn)練數(shù)據(jù)中，否則會導(dǎo)致過度擬合。2 神經(jīng)網(wǎng)絡(luò)設(shè)計設(shè)計BP網(wǎng)絡(luò)參數(shù)主要是指對網(wǎng)絡(luò)的層數(shù)、隱含層節(jié)點數(shù)、訓(xùn)練函數(shù)和傳遞函數(shù)進行恰當(dāng)?shù)剡x擇。網(wǎng)絡(luò)輸出精度在很大程度上會受到選擇的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的影響，所以要不斷地調(diào)試這些參數(shù)直到確定出最佳網(wǎng)絡(luò)為止，主要是通過比較訓(xùn)練時迭代次數(shù)（Epochs）和網(wǎng)絡(luò)誤差表現(xiàn)（Performance）來判斷網(wǎng)絡(luò)的優(yōu)劣。2.1 網(wǎng)絡(luò)層數(shù)設(shè)計一個簡單的3層BP神經(jīng)網(wǎng)絡(luò)，可以以任意的精度逼近任何非線性物理對象，因此一般盡量用最少的網(wǎng)絡(luò)層數(shù)來構(gòu)建神經(jīng)網(wǎng)絡(luò)。因此，本文選用一個簡單3層BP網(wǎng)絡(luò)。2.2 隱含層節(jié)點數(shù)設(shè)計樣本中存在的噪

7、聲、樣本數(shù)目的多少以及樣本中蘊涵規(guī)律的復(fù)雜程度等因素決定著隱含層個數(shù)。目前關(guān)于如何確定隱含層節(jié)點個數(shù)的問題還沒有較好的理論支持，所以只能通過經(jīng)驗公式先確定出隱含層節(jié)點數(shù)的范圍，也就是隱含層節(jié)點數(shù)的可能情況，然后再通過反復(fù)嘗試訓(xùn)練每種可能情況直到找到最佳隱含層節(jié)點個數(shù)。有如下隱含層節(jié)點個數(shù)的經(jīng)驗公式：經(jīng)驗公式（1）：式中m為輸入節(jié)點數(shù);n為輸出節(jié)點數(shù);1為隱層數(shù)。本文選擇經(jīng)驗公式（2）來確定隱節(jié)點數(shù)，由前文知，輸入層節(jié)點數(shù)m=3，輸出層節(jié)點數(shù)n=l，調(diào)節(jié)常數(shù)范圍1-10，因此隱含層節(jié)點數(shù)應(yīng)在3到12之間較為合理，即隱節(jié)點個數(shù)為3、4、5、6、7、8、9、10、11、12。在估算完隱含層節(jié)點數(shù)的范

8、圍后，接下來選擇某個數(shù)據(jù)樣本，然后用合理范圍內(nèi)的隱含層節(jié)點數(shù)分別對樣本數(shù)據(jù)進行訓(xùn)練，記錄不同隱含層節(jié)點網(wǎng)絡(luò)訓(xùn)練過程中的收斂速度、收斂曲線以及網(wǎng)絡(luò)誤差，選取誤差最小網(wǎng)絡(luò)的隱節(jié)點個數(shù)作為最佳值。對比不同隱節(jié)點的誤差表現(xiàn)，當(dāng)隱含層節(jié)點數(shù)為9網(wǎng)絡(luò)訓(xùn)練誤差表現(xiàn)最小。2.3 傳遞函數(shù)和訓(xùn)練函數(shù)確定傳遞函數(shù)和訓(xùn)練函數(shù)是BP神經(jīng)網(wǎng)絡(luò)的重要組成部分。本文選取的隱含層的傳遞函數(shù)為tansig函數(shù)，輸出層的傳遞函數(shù)為logsig函數(shù)。根據(jù)表格1所示，LM算法計算量小，收斂速度快，因此本文選擇trainlm作為訓(xùn)練函數(shù)。預(yù)測實現(xiàn)及結(jié)果分析對輸入數(shù)據(jù)進行隨機分類，將輸入數(shù)據(jù)的85%劃分為訓(xùn)練樣本，10%劃分為驗證樣本，

9、5%劃分為預(yù)測樣本。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)己在前文確定完成，運行過程中其他參數(shù)如下所示：net.trainParam.epochs=1000;net.trainParam.goal=0.015;net.rrainParam.lr=0.15：net.trainParam.mc=0.9;net.trainParam.max fail=10;預(yù)測模型的精度主要是通過預(yù)測值和實際值之間的對比來評價?？梢酝ㄟ^訓(xùn)練出來的模型來預(yù)測下個危險點特征。Reference1姚芳，李志剛，李玲玲，李文華.繼電器觸頭接觸電阻的時間序列短期預(yù)測J.中國電機工程學(xué)報，2005.2張菲菲，李志剛.基于BP神經(jīng)網(wǎng)絡(luò)的繼電器剩余壽命預(yù)測J.低壓電器，2012（01）：11-14.3李志剛，劉伯穎，李玲玲等，基于小波包變換及RBF神經(jīng)網(wǎng)絡(luò)的繼電器壽命預(yù)測J.電工技術(shù)學(xué)報，2015，30 （14）： 233-240.4馬東娟，李玲玲，接觸電阻時間序列的混沌特性識別與預(yù)測研究J.電力系統(tǒng)保護與控制，2015 （10）：57-61.5李玲玲，馬東娟，李志剛，觸頭動態(tài)接觸電阻時間序列混沌預(yù)測J.電工技術(shù)學(xué)報，2014， 29 （09）：187-193.6邵丹，李文華，王俊等，一種基于多參數(shù)的密封式電磁繼電器貯存壽命預(yù)測方法J.電器與能效管理技術(shù)，2015 （01）：12-16.電子技術(shù)與軟件工程2018