基于三維激光掃描技術的地形空間三維數據分析與預測

史延昭 葛優

摘要 三維激光掃描技術能夠提供掃描物體表面的三維數據，因此可以用于建立高精度高分辨率的數字地形模型。通過結合危險點特征數據，可以建立地形危險點模型。有利于甄別線路周邊違建，覆冰線路災情評估技術，以及直觀的分析保電通道中重點三跨線路技術。

【關鍵詞】三維激光掃描技術 三維數據 預測算法

三維激光掃描技術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數據。由于其具有快速性，不接觸性，穿透性，實時、動態、主動性，高密度、高精度，數字化、自動化等特性，其應用推廣很有可能會像GPS -樣引起測量技術的又一次革命。

三維全景技術是一種桌面虛擬現實技術。三維全景技術具有以下幾個特點：一是實地拍攝，有照片級的真實感，是真實場景的三維展現。二是有一定的交互性，用戶可以通過鼠標選擇自己的視角，任意放大和縮小，如親臨現場般環視、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，所采集的圖片數據進行制作后，以Flash方式呈現的一種全景觀摩方式，在觀看全景數據時可進行向前，向后行進，水平和垂直方向旋轉，從而可以3600觀看圖片數據中的景象。全景數據模式可直觀的展示和還原輸電線路現場情況，實現輸電線路全景圖像建模記錄，與圖紙結合形成完備和無死角的現場圖像檔案。

1 地形空間三維數據與神經網絡的結合

BP神經網絡是一種信息的正向傳播而誤差的反向傳播的多層前饋網絡，是目前的應用范圍十分廣泛。BP學習算法主要的思想是通過網絡學習修正網絡權值，不斷地減小網絡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神經網絡的學習過程包括信息正向傳播、誤差反向傳播、網絡記憶訓練和學習收斂這四個階段。

1.1 網絡輸入、輸出的確定

這里就存在了一個對應關系，即三維空間坐標和對應危險點之間的函數對應關系，記做：

i=f（x_i，y_i，z_i）

其中i為危險點數據。

因此，選取這3個參數作為BP神經網絡的輸入向量，即輸入層節點數為3，輸出層節點個數選為1。

1.2 數據樣本歸一化

確定好輸入和輸出層向量及其節點數后，需要通過變換處理對樣本數據進行歸一化處理。處理的結果是將樣本的輸入和輸出數據變換到（O，1）區間或者（-1，1）區間。進行數據預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 樣本數據分類

神經網絡的預測能力，也稱泛化能力或推廣能力，網絡訓練能力也稱逼近能力或學習能力。一般情況下，網絡訓練能力差時，預測能力也差，并且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢存在一個極限，當達到此極限時，隨訓練能力的提高，不但不會使預測能力提高，反而還會導致其下降。這樣現象被稱為“過度擬合”。換言之，神經網絡過度地學習了樣本數據的細節，卻不能反映樣本數據蘊含的規律。一般做預測分析時，會將數據樣本分為兩大部分。一部分是訓練數據樣本，用于構建網絡模型，一部分是測試數據樣本，用于檢驗網絡模型。但是，有時候模型的構建過程中也需要檢驗模型，來輔助模型構建，所以又將訓練數據再分為正常訓練數據和驗證數據兩個部分，其中驗證數據用于輔助模型的構建，防止過渡擬合。此外，把數據樣本進行隨機分類可以使數據更加具備典型性，從而使構建的網絡有更優良的泛化能力。下面形式的描述一下前面提到的3類數據：

訓練數據（Test Data）：用于構建網絡模型。

驗證數據（Validation Data）：可選，用于輔助模型構建，可以重復使用。

測試數據（Test Data）：單獨用于檢測構建的網絡模型，此數據只在模型檢驗時使用，絕對不允許用于混入訓練數據中，否則會導致過度擬合。

2 神經網絡設計

設計BP網絡參數主要是指對網絡的層數、隱含層節點數、訓練函數和傳遞函數進行恰當地選擇。網絡輸出精度在很大程度上會受到選擇的網絡結構參數的影響，所以要不斷地調試這些參數直到確定出最佳網絡為止，主要是通過比較訓練時迭代次數（Epochs）和網絡誤差表現（Performance）來判斷網絡的優劣。

2.1 網絡層數設計

一個簡單的3層BP神經網絡，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絡層數來構建神經網絡。因此，本文選用一個簡單3層BP網絡。

2.2 隱含層節點數設計

樣本中存在的噪聲、樣本數目的多少以及樣本中蘊涵規律的復雜程度等因素決定著隱含層個數。目前關于如何確定隱含層節點個數的問題還沒有較好的理論支持，所以只能通過經驗公式先確定出隱含層節點數的范圍，也就是隱含層節點數的可能情況，然后再通過反復嘗試訓練每種可能情況直到找到最佳隱含層節點個數。有如下隱含層節點個數的經驗公式：

經驗公式（1）：

式中m為輸入節點數;n為輸出節點數;1為隱層數。

本文選擇經驗公式（2）來確定隱節點數，由前文知，輸入層節點數m=3，輸出層節點數n=l，調節常數α范圍1-10，因此隱含層節點數應在3到12之間較為合理，即隱節點個數為3、4、5、6、7、8、9、10、11、12。在估算完隱含層節點數的范圍后，接下來選擇某個數據樣本，然后用合理范圍內的隱含層節點數分別對樣本數據進行訓練，記錄不同隱含層節點網絡訓練過程中的收斂速度、收斂曲線以及網絡誤差，選取誤差最小網絡的隱節點個數作為最佳值。

對比不同隱節點的誤差表現，當隱含層節點數為9網絡訓練誤差表現最小。

2.3 傳遞函數和訓練函數確定

傳遞函數和訓練函數是BP神經網絡的重要組成部分。

本文選取的隱含層的傳遞函數為tansig函數，輸出層的傳遞函數為logsig函數。

根據表格1所示，LM算法計算量小，收斂速度快，因此本文選擇trainlm作為訓練函數。

預測實現及結果分析

對輸入數據進行隨機分類，將輸入數據的85%劃分為訓練樣本，10%劃分為驗證樣本，5%劃分為預測樣本。網絡結構參數己在前文確定完成，運行過程中其他參數如下所示：

net.trainParam.epochs=1000;

net.trainParam.goal=0.015;

net.rrainParam.lr=0.15：

net.trainParam.mc=0.9;

net.trainParam.max fail=10;

預測模型的精度主要是通過預測值和實際值之間的對比來評價?？梢酝ㄟ^訓練出來的模型來預測下個危險點特征。

參考文獻

[1]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測[J].中國電機工程學報，2005.

[2]張菲菲，李志剛.基于BP神經網絡的繼電器剩余壽命預測[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神經網絡的繼電器壽命預測[J].電工技術學報，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測研究[J].電力系統保護與控制，2015 （10）：57-61.

[5]李玲玲，馬東娟，李志剛，觸頭動態接觸電阻時間序列混沌預測[J].電工技術學報，2014， 29 （09）：187-193.

[6]邵丹，李文華，王俊等，一種基于多參數的密封式電磁繼電器貯存壽命預測方法[J].電器與能效管理技術，2015 （01）：12-16.