本發(fā)明涉及地表沉降測量，尤其涉及一種基于進(jìn)化算法的地表沉降測量數(shù)據(jù)實(shí)時擬合方法。

背景技術(shù)：

1、隨著地表監(jiān)測技術(shù)的發(fā)展，地表沉降測量已成為基礎(chǔ)設(shè)施安全評估、礦區(qū)塌陷預(yù)測、地下水資源管理及地質(zhì)災(zāi)害預(yù)警多個領(lǐng)域的重要研究內(nèi)容，當(dāng)前，地表沉降測量通常依賴于全球?qū)Ш叫l(wèi)星系統(tǒng)、合成孔徑雷達(dá)、激光雷達(dá)多種監(jiān)測手段，以獲取地表沉降數(shù)據(jù)，然而，地表沉降數(shù)據(jù)往往受到環(huán)境因素、測量誤差及多源數(shù)據(jù)融合偏差的影響導(dǎo)致數(shù)據(jù)噪聲較大、非線性特征明顯、時間尺度跨度較大，使得準(zhǔn)確擬合地表沉降趨勢成為一項(xiàng)挑戰(zhàn)。

2、目前，地表沉降測量數(shù)據(jù)的擬合方法主要包括傳統(tǒng)統(tǒng)計(jì)回歸方法、機(jī)器學(xué)習(xí)方法及物理建模方法，其中，傳統(tǒng)統(tǒng)計(jì)回歸方法依賴于固定的數(shù)學(xué)模型，難以適應(yīng)復(fù)雜非線性沉降過程的動態(tài)變化，在沉降速率隨時間變化顯著的情況下擬合精度較低，機(jī)器學(xué)習(xí)方法能夠在一定程度上捕捉地表沉降數(shù)據(jù)的非線性特征，但通常依賴大規(guī)模標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練且計(jì)算開銷較大，在高頻數(shù)據(jù)流處理中容易出現(xiàn)計(jì)算延遲，此外，物理建模方法雖然能夠基于地質(zhì)力學(xué)原理推導(dǎo)沉降趨勢，但其對輸入?yún)?shù)的依賴性較強(qiáng)，在實(shí)際工程應(yīng)用中難以適應(yīng)不同區(qū)域和不同環(huán)境的沉降特征。

3、因此，現(xiàn)有技術(shù)在地表沉降測量數(shù)據(jù)實(shí)時擬合方面存在計(jì)算效率低、擬合精度受動態(tài)變化影響、優(yōu)化過程易陷入局部最優(yōu)、缺乏自適應(yīng)性及異常數(shù)據(jù)識別能力不足問題，亟需一種能夠提高計(jì)算效率、增強(qiáng)模型自適應(yīng)性并優(yōu)化擬合精度的方法，以滿足地表沉降測量的實(shí)時監(jiān)測需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個目的在于提出一種基于進(jìn)化算法的地表沉降測量數(shù)據(jù)實(shí)時擬合方法，本發(fā)明有效提高了地表沉降測量數(shù)據(jù)擬合的計(jì)算效率、非線性表達(dá)能力及全局優(yōu)化能力，能夠廣泛應(yīng)用于地表沉降監(jiān)測、基礎(chǔ)設(shè)施安全評估和礦區(qū)塌陷預(yù)測多個場景。

2、根據(jù)本發(fā)明實(shí)施例的一種基于進(jìn)化算法的地表沉降測量數(shù)據(jù)實(shí)時擬合方法，包括如下步驟：s1.獲取地表沉降測量數(shù)據(jù)集；

3、s2.對地表沉降測量數(shù)據(jù)集進(jìn)行預(yù)處理，得到標(biāo)準(zhǔn)化地表沉降測量數(shù)據(jù)集；

4、s3.對標(biāo)準(zhǔn)化地表沉降測量數(shù)據(jù)進(jìn)行時序分析，生成地表沉降測量數(shù)據(jù)特征矩陣；

5、s4.構(gòu)建用于地表沉降測量數(shù)據(jù)擬合的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，并對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)初始化，得到初始地表沉降測量數(shù)據(jù)擬合函數(shù)；

6、s5.采用阿爾法進(jìn)化算法對初始地表沉降測量數(shù)據(jù)擬合函數(shù)的參數(shù)進(jìn)行優(yōu)化，得到優(yōu)化后的地表沉降測量數(shù)據(jù)擬合函數(shù)；

7、s6.采用優(yōu)化的地表沉降測量數(shù)據(jù)擬合函數(shù)對輸入的地表沉降測量數(shù)據(jù)進(jìn)行預(yù)測，輸出地表沉降趨勢擬合曲線，并計(jì)算擬合誤差、趨勢變化速率、預(yù)測置信區(qū)間指標(biāo)。

8、可選的，所述s1包括以下步驟：

9、s11.獲取地表沉降測量數(shù)據(jù)集，所述地表沉降測量數(shù)據(jù)集包括全球?qū)Ш叫l(wèi)星系統(tǒng)測量數(shù)據(jù)、合成孔徑雷達(dá)測量數(shù)據(jù)和激光雷達(dá)點(diǎn)云測量數(shù)據(jù)：

10、dgnss＝{(xi,yi,ti,hi)|i＝1,2,...,ngnss}；

11、dinsar＝{(xj,yj,tj,hj)|j＝1,2,...,ninsar}；

12、dlidar＝{(xk,yk,tk,hk)|k＝1,2,...,nlidar}；

13、其中，x,y表示地理坐標(biāo)位置，t表示時間戳，h表示地表高度值，ngnss,ninsar,nlidar分別為全球?qū)Ш叫l(wèi)星系統(tǒng)測量數(shù)據(jù)、合成孔徑雷達(dá)測量數(shù)據(jù)和激光雷達(dá)點(diǎn)云測量數(shù)據(jù)的采樣點(diǎn)數(shù)量；

14、s12.對地表沉降測量數(shù)據(jù)集進(jìn)行空間參考坐標(biāo)系轉(zhuǎn)換，統(tǒng)一地表沉降測量數(shù)據(jù)集的坐標(biāo)基準(zhǔn)，得到統(tǒng)一空間參考坐標(biāo)系下的地表沉降測量數(shù)據(jù)集：

15、

16、daligned＝d′gnss∪d′insar∪d′lidar；

17、

18、其中，d′gnss、d′insar和d′lidar分別表示統(tǒng)一空間參考坐標(biāo)系的全球?qū)Ш叫l(wèi)星系統(tǒng)測量數(shù)據(jù)、合成孔徑雷達(dá)測量數(shù)據(jù)和激光雷達(dá)點(diǎn)云測量數(shù)據(jù)。

19、可選的，所述s2包括以下步驟：

20、s21.采用小波變換方法對統(tǒng)一空間參考坐標(biāo)系下的地表沉降測量數(shù)據(jù)集daligned進(jìn)行去噪處理，去除地表沉降測量數(shù)據(jù)中的隨機(jī)噪聲，得到去噪后的地表沉降測量數(shù)據(jù)集；

21、s22.采用馬氏距離分析方法對去噪后的地表沉降測量數(shù)據(jù)集進(jìn)行異常數(shù)據(jù)檢測，計(jì)算各數(shù)據(jù)點(diǎn)的異常度：

22、

23、其中，mi為地表沉降測量數(shù)據(jù)點(diǎn)的馬氏距離，μh為地表沉降測量數(shù)據(jù)高度的均值向量，σh為地表沉降測量數(shù)據(jù)高度的協(xié)方差矩陣；

24、設(shè)定閾值mth，當(dāng)mi>mth時，將數(shù)據(jù)點(diǎn)判定為異常數(shù)據(jù)點(diǎn)，并標(biāo)記異常數(shù)據(jù)點(diǎn)集合；

25、s23.對異常數(shù)據(jù)點(diǎn)集合進(jìn)行插值修正，采用樣條插值方法計(jì)算異常數(shù)據(jù)點(diǎn)的修正值，將修正后的異常數(shù)據(jù)點(diǎn)替換原數(shù)據(jù)點(diǎn)，得到修正后的地表沉降測量數(shù)據(jù)集；

26、s24.采用均值-標(biāo)準(zhǔn)差歸一化方法對修正后的地表沉降測量數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，最終得到標(biāo)準(zhǔn)化地表沉降測量數(shù)據(jù)集dstandardized。

27、可選的，所述s3包括以下步驟：

28、s31.基于時間序列數(shù)據(jù)的變化趨勢，采用時間差分方法計(jì)算每個測量點(diǎn)的地表沉降速率特征，用于反映地表沉降在不同時間間隔內(nèi)的變化程度：

29、

30、其中，vi表示第i個時刻的地表沉降速率，為第i個測量點(diǎn)的標(biāo)準(zhǔn)化地表高度值，ti-ti-1為連續(xù)兩次觀測之間的時間間隔，用于計(jì)算地表沉降的瞬時速率；

31、s32.通過計(jì)算沉降速率的變化率，捕捉地表沉降加速度特征，用于反映地表沉降趨勢的加劇或減緩：

32、

33、其中，ai表示第i個測量點(diǎn)的地表沉降加速度，反映該點(diǎn)在時間ti時刻的沉降速率變化趨勢，vi為第i個測量點(diǎn)的地表沉降速率，代表當(dāng)前時刻沉降變化的強(qiáng)度，ti-ti-1為時間間隔；

34、s33.采用多項(xiàng)式擬合方法對地表沉降數(shù)據(jù)進(jìn)行趨勢建模，刻畫地表沉降非線性變化的全局趨勢：

35、

36、其中，為第i個測量點(diǎn)的擬合沉降趨勢值，c0,c1,...,cn為擬合系數(shù)，ti為時間戳；

37、s34.采用快速傅里葉變換方法將沉降數(shù)據(jù)轉(zhuǎn)換到頻域，識別潛在的地表沉降周期性特征：

38、

39、其中，h(f)表示第f頻率下的地表沉降數(shù)據(jù)頻譜幅值，反映周期性沉降的主導(dǎo)頻率，j為虛數(shù)單位，選取頻譜中幅值最大的主頻率fmax作為地表沉降的主要周期性特征：

40、fmax＝argmaxh(f)；

41、其中，fmax表示沉降數(shù)據(jù)的主要周期信息，用于分析因地質(zhì)結(jié)構(gòu)、氣候變化或地下工程施工因素導(dǎo)致的周期性沉降現(xiàn)象；

42、s35.綜合計(jì)算得到的地表沉降速率特征、地表沉降加速度特征、地表沉降非線性變化趨勢特征和地表沉降周期性特征，構(gòu)建地表沉降測量數(shù)據(jù)特征矩陣：

43、

44、可選的，所述s4包括以下步驟：

45、s41.構(gòu)建用于地表沉降測量數(shù)據(jù)擬合的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，設(shè)定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的輸入層，輸入層接收地表沉降測量數(shù)據(jù)特征矩陣fsubsidence作為輸入，設(shè)輸入層神經(jīng)元個數(shù)為d，則輸入層神經(jīng)元表示為：

46、x＝[x1,x2,...,xd]；

47、其中，x為輸入神經(jīng)元向量，xi表示地表沉降測量數(shù)據(jù)的特征變量，d＝4對應(yīng)速率特征、加速度特征、非線性趨勢特征和周期性特征的維度；

48、s42.設(shè)定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的隱含層，隱含層采用高斯徑向基函數(shù)作為激活函數(shù)：

49、

50、其中，hj為第j個隱含層神經(jīng)元的輸出，x為輸入神經(jīng)元向量，cj為第j個中心向量，σj為第j個徑向基函數(shù)的尺度參數(shù)，控制神經(jīng)元的響應(yīng)范圍，∥x-cj∥表示輸入神經(jīng)元與中心向量的歐式距離，隱含層神經(jīng)元的總數(shù)設(shè)為m，隱含層輸出向量表示為：

51、h＝[h1,h2,...,hj]；

52、s44.設(shè)定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的輸出層，輸出層用于計(jì)算地表沉降測量數(shù)據(jù)的擬合結(jié)果，并得到初始地表沉降測量數(shù)據(jù)擬合函數(shù)：

53、

54、其中，y為地表沉降測量數(shù)據(jù)的擬合輸出，w為隱含層到輸出層的權(quán)重矩陣，b為輸出層的偏置項(xiàng)，表示第i個測量點(diǎn)的擬合地表沉降高度值。

55、可選的，所述s5包括以下步驟：

56、s51.生成多個擬合參數(shù)的初始解，構(gòu)成優(yōu)化種群，設(shè)定種群規(guī)模為p，初始化種群個體θ0：

57、

58、其中，為第p個個體的參數(shù)向量，包含徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣w、偏置項(xiàng)b和隱含層中心向量c，即：

59、

60、s52.結(jié)合地表沉降測量數(shù)據(jù)特征矩陣fsubsidence的樣本維度n計(jì)算適應(yīng)度評估樣本規(guī)模：

61、p＝αn；

62、其中，α為種群規(guī)模系數(shù)；

63、s53.采用均方誤差和模型復(fù)雜度懲罰項(xiàng)作為優(yōu)化目標(biāo)計(jì)算種群個體的適應(yīng)度，設(shè)定適應(yīng)度函數(shù)f(θp)衡量個體的擬合誤差：

64、

65、其中，為真實(shí)地表沉降高度值，為采用第p個個體參數(shù)θp計(jì)算得到的擬合高度值，λ∥θp∥2為正則化項(xiàng)；

66、s54.采用阿爾法進(jìn)化算法進(jìn)行優(yōu)化，根據(jù)進(jìn)化階段自適應(yīng)調(diào)整進(jìn)化算子：

67、全局探索階段(g<g1)，采用阿爾法混合策略結(jié)合遺傳算法和差分進(jìn)化進(jìn)行廣域搜索：

68、

69、其中，θrg,θsg,θtg為隨機(jī)選取的不同個體，f為縮放因子；

70、采用精英保留機(jī)制保留當(dāng)前最優(yōu)個體：

71、

72、局部開發(fā)階段(g1≤g<g2)，采用阿爾法自適應(yīng)變異策略選擇最優(yōu)個體進(jìn)行局部微調(diào)：

73、

74、其中，pbest,p為個體最優(yōu)解，gbest為種群全局最優(yōu)解，c1,c2為自適應(yīng)權(quán)重系數(shù)，r1,r2為隨機(jī)數(shù)；

75、結(jié)合梯度下降優(yōu)化對最優(yōu)個體進(jìn)行參數(shù)調(diào)整：

76、

77、其中，η為學(xué)習(xí)率，為適應(yīng)度函數(shù)的梯度；

78、s55.采用動態(tài)權(quán)重調(diào)整策略優(yōu)化計(jì)算復(fù)雜度，設(shè)定權(quán)重調(diào)整因子λg：

79、

80、其中，λmin和λmax分別為權(quán)重調(diào)整因子的下限和上限；

81、s56.判斷優(yōu)化是否達(dá)到收斂條件，若滿足收斂條件，則輸出最優(yōu)擬合參數(shù)，否則返回s53繼續(xù)迭代優(yōu)化，最終得到優(yōu)化后的地表沉降測量數(shù)據(jù)擬合函數(shù)。

82、可選的，所述s56包括以下步驟：

83、s561.基于地表沉降測量數(shù)據(jù)擬合函數(shù)的優(yōu)化目標(biāo)，計(jì)算當(dāng)前代數(shù)g的優(yōu)化種群適應(yīng)度均值：

84、

85、其中，表示當(dāng)前種群的平均適應(yīng)度值，p為優(yōu)化種群的個體數(shù)量，為第p個個體在第g代的適應(yīng)度函數(shù)值，適應(yīng)度函數(shù)衡量地表沉降測量數(shù)據(jù)擬合函數(shù)的誤差程度；

86、s562.基于當(dāng)前種群適應(yīng)度分布計(jì)算適應(yīng)度方差以衡量種群的收斂程度：

87、

88、其中，表示優(yōu)化種群適應(yīng)度的標(biāo)準(zhǔn)差，若逐漸收斂至預(yù)設(shè)的數(shù)值，表明種群個體的適應(yīng)度趨于一致；

89、s563.判斷是否滿足收斂條件，設(shè)定收斂判定閾值，若滿足以下條件，則認(rèn)為優(yōu)化過程已收斂：

90、且

91、其中，∈1為適應(yīng)度收斂閾值，∈2為適應(yīng)度方差閾值；

92、s564.確定最優(yōu)擬合參數(shù)，當(dāng)滿足收斂條件時選擇當(dāng)前代最優(yōu)個體作為最終地表沉降測量數(shù)據(jù)擬合函數(shù)的最優(yōu)參數(shù)：

93、

94、其中，θbest為優(yōu)化后的地表沉降測量數(shù)據(jù)擬合參數(shù)，包括徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的權(quán)重矩陣、偏置項(xiàng)和隱含層中心向量，即：

95、θbest＝{wbest,bbest,cbest}；

96、s565.若未滿足收斂條件，則繼續(xù)優(yōu)化迭代，返回s53重新計(jì)算種群個體適應(yīng)度，并基于阿爾法進(jìn)化算法進(jìn)行下一代迭代優(yōu)化，直至滿足收斂條件；

97、s566.得到優(yōu)化后的地表沉降測量數(shù)據(jù)擬合函數(shù)：

98、

99、其中，為第i個測量點(diǎn)的擬合地表沉降高度值，wbest為阿爾法進(jìn)化算法優(yōu)化后的最優(yōu)隱含層到輸出層權(quán)重矩陣，hi為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱含層的輸出向量，bbest為阿爾法進(jìn)化算法優(yōu)化后的最優(yōu)偏置項(xiàng)。

100、本發(fā)明的有益效果是：

101、(1)本發(fā)明提出了一種自適應(yīng)混合優(yōu)化策略，在進(jìn)化過程中算法能夠根據(jù)地表沉降數(shù)據(jù)的動態(tài)變化調(diào)整優(yōu)化算子，在全局搜索階段結(jié)合遺傳算法和差分進(jìn)化進(jìn)行廣域探索，在局部優(yōu)化階段采用粒子群優(yōu)化結(jié)合梯度下降進(jìn)行精細(xì)調(diào)優(yōu)，并采用精英保留機(jī)制確保最優(yōu)個體得以保留，阿爾法進(jìn)化算法能夠根據(jù)搜索階段自適應(yīng)調(diào)整策略，減少不必要的計(jì)算，提高收斂速度，使得擬合過程能夠在短時間內(nèi)完成優(yōu)化，提升實(shí)時計(jì)算能力。

102、(2)本發(fā)明采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為地表沉降測量數(shù)據(jù)的擬合模型，并通過阿爾法進(jìn)化算法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，利用高斯徑向基函數(shù)的局部響應(yīng)特性使得模型能夠更精確地捕捉地表沉降的非線性特征，并在不同時間尺度上進(jìn)行精準(zhǔn)擬合，此外結(jié)合自適應(yīng)權(quán)重調(diào)整機(jī)制，確保在計(jì)算復(fù)雜度和擬合精度之間找到最優(yōu)平衡。

103、(3)本發(fā)明提出了一種基于適應(yīng)度均值和方差的自適應(yīng)收斂判定機(jī)制，即在每一代進(jìn)化過程中計(jì)算當(dāng)前優(yōu)化種群的適應(yīng)度均值和適應(yīng)度方差，確保優(yōu)化過程在全局范圍內(nèi)進(jìn)行搜索，當(dāng)種群適應(yīng)度均值達(dá)到預(yù)設(shè)閾值且適應(yīng)度方差收斂時，算法自動終止優(yōu)化，以確保全局最優(yōu)解的獲取，收斂策略能夠在保證全局最優(yōu)的同時，降低計(jì)算開銷，避免陷入局部最優(yōu)。