形变监测数据组合预测

形变监测数据组合预测（共3篇）

篇1：形变监测数据组合预测

形变监测数据组合预测

灰色模型、时间序列模型以及人工神经网络是目前应用广泛、实用效果评价较好的.3种形变预测方法.提出了最优加权组合预测方法,其精度更高,更适用于对形变监测数据要求高的场合.

作 者：潘国荣 谷川 Pan Guorong Gu Chuan 作者单位：同济大学测量与国土信息工程系,上海,92;国家测绘局现代工程测量重点实验室,上海,200092刊 名：大地测量与地球动力学 ISTIC PKU英文刊名：JOURNAL OF GEODESY AND GEODYNAMICS年，卷(期)：26(4)分类号：P2关键词：组合预测 最优加权 灰色模型 时间序列 人工神经网络

篇2：形变监测数据组合预测

关键词：港口防波堤；沉降预测；灰色模型；BP神经网络

一、绪论

防波堤为阻断波浪的冲击力、围护港池、维持水面平稳以保护港口免受坏天气影响、以便船舶安全停泊和作业而修建的水中建筑物[1]。

由于防波堤砌体重量较大可达上100吨，再加上海浪以及由于海底的淤泥和沙质地质的综合影响，那么整个港口的防波堤在安装建设的过程中以及建成过后都会发生沉降，而且在实际交付使用的时候要求防波堤的堤顶高程要高于设定的高程才能安全的有效的防止海浪和有效的保护港口内的船只。

二、灰色模型与BP神经网络模型

防波堤的沉降影响因素不仅受堤体自重、海浪、海底地质等因素的影响，而且受其他的因素的影响；如：潮汐、日月引力、固体潮等因素的影响，这些参数在实际中有些无法测量或者实际应用中的精度没有考虑这些因素。这就导致影响因素的灰色性同时因为多影响因素所以可以采用神经网络模型灰色系统理论是由华中理工大学邓聚龙教授于1982年创立并发展起来的[2]。

BP神经网络属前向网络，但它采用的是反向传播的学习方法。BP网络是对非线性可微分函数进行权值训练的多层网络，主要用于函数逼近、模式识别、分类及数据压缩等[3]。

三、GM（1，1）处理沉降数据

以其中一点如C4点的沉降数据为例进行处理预测，共11期沉降数据，以前八期的数据作为灰色模型的原始序列然后对后三期的数据进行预测验证。

1、原始序列x（0）（k）=（x（0）（1），x（0）（2），x（0）（3），…，x（0）（n））进行一次累加生成处理得到x（1）（k）=（x（1）（1），x（1）（2），x（1）（3），…，x（1）（n））。其中的累加内核公式为：

x（1）（k）=∑ki=1x（0）（i），k=1，2，3…，n（3.1）

2、计算得出均值序列即对累加生成的序列x（1）（k）进行均值生成：Z（1）（k）=12[x（1）（k-1）+x（1）（k）]，k=2，3，…，n（3.1）

3、得到灰色模型的时间响应函数：

（1）（k+1）=（x（0）（1）-ba）e-ak+ba（3.3）

3.得到最终的响应式：

（0）（k+1）=（1-ea）（x（0）（1）-ba）e-ak（3.2）

4、采用最小二乘法计算a、b的估计值，这样可以得到最优的估计值，

通过计算得到=[a，b]T的最佳估计值。

5、由累减生成方法还原原始序列：（0）（k）=（1）（k）-（1）（k+1）；上述步骤可以通过matlab程序就可以得到前八期的模拟值以及向后预测三期的预测数据。采用均方差比值D来验证精度，D=S2/S1其中：后验方差比值D就为：误差的标准差与原始序列标准差的比值。

D=S2=1n∑nk=1E（K）-2S1=1n∑nk=1x（0）（k）-2（3.7）

得到D=02417，D小于精度标准的035，模型的精度为良好。

四、采用BP神经网络处理数据

在预测之前，为了数据处理更加方便快捷，需要将原始数据进行归一化处理。确定神经网络的结构模型，输入层为三个节点，输出层有一个节点，通过公式m+n+a，m为输入层节点数，n为输出层节点数a属于[1，10]之间的数，确定隐含层的节点数这里取四。用前8期数据作为输入样本，第九期、第十期和第十一期进行预测验证。

构建神经网络预测模型的核心思想可以概括为：第1、2、3期预测第四期第2、3、4期预测第五期，依次类推前八期为训练数据，后三期为预测数据。通过程序的计算得出整体的均方误差MSE为21773；误差相当大。主要是由于后三个预测值的影响。

五、GM（1，1）与BP神经网络联合

灰色模型具有良好的兼容性可以和其他算法模型进行兼容，同时神经网络模型本身也具有灰色性，所以两者可以进行联合的处理数据[4]。同时通过以上的灰色模型和BP神经网络模型对同一组数据的处理可以看出，两个算法在模拟计算时精度较高，但是在预测时误差就特别大。

采用BP神经网络的方法对灰色模型处理的模拟的预测值的残差结果进行模拟和处理，即对残差数据进行处理，然后得到残差的处理值，根据（0）（i）=（0）（i）+（0）（i），i=1，2，…，n得出最終的模拟值和预测值。

通过matlab绘制灰色模型模拟值、BP神经网络模拟值、灰色模型与神经网络联合处理的模拟值的图形进比较：

六、结论

通过比较分析可以看出在本次沉降数据处理中，由于BP神经网络对数据量的要求较高，所以导致在模拟时有较高的精度但是在预测时精度较差，而灰色模型把原本不具备规律的数据进行处理在模拟和预测时精度较高可以应用于本次数据处理；灰色模型与BP神经网络的联合处理所得到的结果无论在模拟还是在预测方面都是与实测值最相近的，所以灰色模型和BP神经网络模型的联合模型可以良好的应用于本次防波堤的数据处理之中。

参考文献：

[1]宫云增，阚卫明.天津港北大防波堤工程半圆体沉降观测和初步分析[J].中国港湾建设，2003

[2]邓聚龙.灰理论基础[M].武汉：华中科技大学出版社，2002

[3]邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社，1987

[4]付海兵，曾黄麟.BP神经网络的算法及改进[J].中国西部科技，2012，11（8）.23～24

[4]田秀梅.BP算法的改进及仿真研究[J].电子技术研发：64～66

[5]谢中华，李国栋等matlab从零到进阶[M].北京航空航天大学出版社，2012

篇3：形变监测数据组合预测

摘 要：近年来，由于地表形变引发的地质灾害频繁发生，严重威胁人们的生命财产安全，因此加强地表形变监测具有十分重要的意义。随着科技的不断进步，传统的监测技术难以满足现代社会的发展要求，INSAR技术作为一种新型的空间对地观测技术，具有精确度高、实时动态监测等优点，在地表形变监测中得到了广泛应用。本文简单分析了INSAR技术的基本工作原理及其在地表形变监测中的具体应用。

关键词：INSAR；地表形变；监测

中图分类号： TP79 文献标识码： A 文章编号： 1673-1069（2016）29-158-2

0 引言

由于受到过度抽取地下水、大量开采煤矿等人为因素以及冰川漂流、火山运动等自然因素的影响，地球表面时刻发生着细微的形变，当形变积累到一定程度，将会引发严重的地质灾害，例如火山、地震、海啸、滑坡等，对自然环境以及人们的生命财产安全构成严重的危害。在这种情况下，加强先进监测技术的研究和应用成为相关地质部门和企业的重要任务。随着雷达遥感技术的不断进步，INSAR技术获得发展，为大范围地表形变的监测提供了有效保障，在地表形变监测中体现出较高的形变敏感度和空间分辨率，同时不会受到恶劣天气的影响，因此，INSAR技术具有十分重要的应用价值，值得相关部门和企业进行深入研究和推广。

1 INSAR技术简析

1.1 INSAR技术的基本工作原理

INSAR技术即为合成孔径雷达干涉测量技术，其基本理论根据与干涉测量法有关。干涉测量法主要是通过两个光源同时向同一目标发射相干光，然后以两束相干光的相位差为依据，分析和计算出目标的位置距离。INSAR技术则是利用两组天线装置进行同步观测，或者进行两次平行观测，从而得到地面上同一景观的图像，因为目标位置与两组天线装置的位置存在一定的几何关系，从而在图像中产生相位差，形成干涉条纹图，将斜距向上的点和两组天线的位置差等具体信息数据记录下来。因此，INSAR技术可以通过雷达波长、传感器高度、波束视向及天线基线距之间的几何关系，精确地测量出图像上每一点的三维位置和变化信息。

1.2 INSAR技术的相关工作流程

1.2.1 图像配准处理

在INSAR技术中，图像对的精确配准是十分关键的环节。图像配准处理主要针对不同传感器在不同时间或不同视角对同一景物所形成的两幅图像或多幅图像进行匹配和叠加的过程。对于星载INSAR生成的两幅图像，由于并非同步得到，图像之间的像素点不能够一一对应，这就需要进行图元配准，采用曲线插值或拟合等方法，将两幅图像中的相同位置的像素与地面同一回波点进行对应，从而形成干涉条件。图像配准一般来说包括粗配准和精配准，粗配准存在大约一个像素的误差，精配准可以达到亚像元精度。

1.2.2 干涉图的生成

不同传感器在不同时间或不同角度对同一地面景物测得复雷达图像对，由于两组天线装置与地面同一目标之间的距离不相同，使得复雷达图像对中的同名像点之间出现相位差，进而形成干涉纹图。一般而言，图像的配准误差要低于八分之一个像元，才能减少对干涉条纹的影响。相位差的测量数值，地面目标的三维空间位置与该相位差存在一定的几何关系，根据飞行轨道的参数进行分析，就可以确定地面目标的三维坐标位置，进而生成干涉图。

1.2.3 干涉图的滤波

利用INSAR技术进行成像处理，干涉相位图经常受到各种噪声的影响，造成干涉条纹不明显。其中噪声的来源十分广泛，包括图像不匹配噪声、相干斑点噪声、信号处理噪声、基线相关损失、接收机热噪声、观测区域地形等多种影响因素，如果噪声源过大，甚至会覆盖过原本的干涉条纹，这就需要对干涉相位图进行滤波处理，减少噪声因素引起的残余点数量，从而提高干涉条纹的质量，有利于对干涉相位图的二维相位进行处理。

1.2.4 去平地效应

INSAR形成的干涉图不仅要进行噪声去除处理，还要去除干涉图产生的平地效应。平地效应指的是干涉图中高度相同的平地上的干涉条纹表现出随着方位向和距离向的变化而产生变化的现象，同时平地效应的变化存在一定的周期特性。在INSAR干涉图中，如果地形起伏所引起的条纹和平地效应引起的条纹出现夹杂的问题，则不能够准确地反映地表形变信息，这种情况下就要利用干涉条纹乘以复相位函数的方法来进行去除处理。

1.2.5 相位解缠

干涉相位图在进行去平地效应后还要进行相位解缠。相位解缠的基本含义就是在相位测量值加上2kπ的相位周期，解出相位模糊度，从而准确计算出目标点的高程。其中的相位模糊度产生的原因是由于相位差形成干涉相位图的条纹，该条纹与地面位置以2π为模形成相位，测出的相位差不到一个周期，从而失去了2kπ的相位模糊度。目前INSAR技术的相位解缠基本分为两个步骤，第一步是以缠绕相位为基础对解缠相位的相位梯度进行估算；第二步是采用积分法进行相位解缠，例如最小二乘法、路径跟踪法等，其中路径跟踪法的稳定性和靠性更高。在完成相位解缠处理之后，计算出地表形变信息，并将形变图投影到地理坐标体系中。

2 INSAR技术在地表形变监测中的具体应用

2.1 火山研究

目前地球上存在很多火山存在爆发的风险，尤其是在人口聚集区，一旦火山爆发将会对人们的生命财产安全造成严重的影响，因此加强火山地区的地表监测具有十分重要的意义。由于火山爆发大都没有规律可循，传统的GPS测量技术难以进行准确判断，一些火山在喷发前往往存在明显的地表形变，这种情况下就可以采用INSAR技术对火山周围的地表形变进行监测，进而有效的预测火山的爆发情况。相对于传统的地面形变监测技术，INSAR技术在火山活动监测中存在以下几点优势：第一，不用进行先期的地面控制；第二，传统的方法只能提供有限测量点的数据，而INSAR技术可以提供大范围的覆盖数据。如D-INSAR技术提供的数据可以绘制整个火山附近的地图，准确的反映出岩浆移动情况的信息，实现对火山活动情况的全面监控和爆发预警。目前，很多国家已经采用D-INSAR技术对火山形变情况进行研究，例如阿拉斯加活火山、意大利Etna火山等。

2.2 冰山研究

随着科技的不断进步，我国的科学家早就对南北极冰川展开了科学研究，冰川的融化现象对全球气候造成的影响成为环境科学家高度关注的研究课题。由于极地的自然环境十分恶劣，这就需要更加先进、科学的技术进行实时的监测，从而为科学家进行研究提供可靠数据。星载SAR技术在冰川和冰盖的监测方面显现出非常重要的应用价值。相关数据研究表明，冰川随着气温变化情况十分明显，在季节变化的过程中，冰川存在明显移动和融化现象，而冰盖的变化较为稳定，这就要应用星载SAR技术加强对极地地表形变情况的监测和研究，可以从以下两方面入手，一方面使用INSAR技术获得精度较高的地形数据；另一方面，利用D-INSAR技术对冰盖的缓慢漂移进行测量，并对其他变化情况进行评估。

2.3 细微地表变化的研究

目前很多城市存在地表下沉的问题，尤其是不均匀地表下沉存在严重的危害性，对城市的建筑物和公路桥梁等基础设施造成严重影响。通常，相关部门采用GPS数据测量方法来对城市的地表形变进行监测，这种测量方法存在一定的局限性，需要耗费大量的人力、物力、财力等资源，还需要对GPS监测点进行长期的维护，除此之外，GPS测量技术只能获得离散点的下沉量，而无法对下沉的趋势和范围进行全面的把控。而应用INSAR技术能够有效克服上述缺陷，由于城市周围的地势一般较为平坦，没有过多的植被覆盖，雷达能够进行良好的反射，从而可以大大提高干涉图像的质量，使得INSAR技术具有更加理想的应用效果。此外，对于西部的一些常规地面测量手段难以进行地形图测绘与更新的地区以及大型的库区及周边的地表变形监测，INSAR技术也具有良好的应用前景。

3 结束语

总而言之，INSAR技术在地表形变监测中具有十分重要的应用价值，通过空中对地面及地面多孔径雷达的全新监测方法，大大提高了地表形变监测的可靠性。我国地域辽阔，一些地区的地质环境十分复杂，自然条件恶劣，传统的测量技术难以进行实时有效的监测，利用INSAR技术可以对各种区域情况进行地表形变监测，从而有效预测各种地质灾害，保障人们的生命财产安全。

参 考 文 献

[1] 黄伟，王霞，张永忠.基于InSAR技术的地表形变监测[J].甘肃科技，2011，15：29-31.

[2] 朱建军，邢学敏，胡俊，李志伟.利用InSAR技术监测矿区地表形变[J].中国有色金属学报，2011，10：2564-2576.

[3] 张淑燕.基于InSAR技术的地表形变监测[D].吉林大学，2010.