开云优惠体育网页版入口

专利名称：一种机场跑道沉降预测方法及系统

专利类型：发明专利

专利申请号：CN202410080962.6

专利申请（专利权）人：中国民用航空飞行学院
权利人地址：四川省德阳市广汉市南昌路四段46号

专利发明（设计）人：李刚,王俊瑶,王志鹏,熊升华,仇莫然,王志宏,魏：,史彦龙,熊鑫,袁昕琳,史彦钊

专利摘要：本发明涉及沉降预测技术领域，具体地说，涉及一种机场跑道沉降预测方法及系统，方法包括以下步骤：Step1、根据SBAS?InSAR技术处理获取的多幅SAR影像；Step2、构建EnKF?BP模型；Step3、通过模型预测结果，并进行状态向量的更新；Step4、判断是否达到迭代要求，若没有则返回Step3，若达到则输出最终预测结果。本发明能够较佳地进行机场跑道沉降预测。

主权利要求：
1.一种机场跑道沉降预测方法，其特征在于：包括以下步骤：Step1、根据SBAS?InSAR技术处理获取的多幅SAR影像；
Step2、构建EnKF?BP模型；
Step3、通过模型预测结果，并进行状态向量的更新；
Step4、判断是否达到迭代要求，若没有则返回Step3，若达到则输出最终预测结果；
Step1中，具体为：
Step1?1、生成连接图和干涉对：生成图像之间的时间与空间关系；
Step1?2、DEM数据生成干涉图：使用预处理后的SAR图像数据，生成干涉图像；
Step1?3、相位解缠：对每个小区域的干涉图像进行相位解缠，以获取地表形变信息；
Step1?4、选取GCP点进行轨道精炼；
Step1?5、反演及地理编码：通过两次反演对解缠后的相位数据进行时间序列分析；通过地理编码将结果投影到现实坐标系下方便观察；
* * *
Step2的EnKF?BP模型中，设BP的结构为M；BP的权重ω以及偏置b视为M的状态X，从而* T得到X＝(ω,b) ；
预测值公式为：
式中， 为k时刻第i个集合的状态预测值， 为k?1时刻第i个集合的状态分析* *值，qi是模型误差，服从均值为0、协方差矩阵为Qk的高斯分布；Y为输出；H表示状态观测矩阵；
通过以下公式进行更新：
式中，； 是第i个集合在k+1时刻的状态分析值；Kk+1是增益矩阵； 是k+1时刻观测数据；vi,k是观测误差，服从均值为0协方差矩阵为Qk的高斯分布， 是k+1时刻所有f集合的平均分析值；P是预测误差方差矩阵,H为观测算子。
2.一种机场跑道沉降预测系统，其特征在于：其采用了如权利要求1所述的一种机场跑道沉降预测方法。 说明书 : 一种机场跑道沉降预测方法及系统技术领域[0001] 本发明涉及沉降预测技术领域，具体地说，涉及一种机场跑道沉降预测方法及系统。背景技术[0002] 传统的机场跑道沉降测方法通常包括测量地面标志物的位置变化，使用水准仪和测距仪等工具来进行测量。这些方法存在的问题包括：[0003] 1)需要频繁的人工测量，耗时耗力，且可能存在人为误差；[0004] 2)精度受限，无法实现高频率、大范围的监测；[0005] 3)对于复杂地形和环境条件下的测量受到限制。[0006] 现代技术的发展提供了一些更先进的机场跑道沉降检测方法，例如激光雷达测量、卫星遥感技术、无人机航拍等。这些方法的问题主要包括：[0007] 1)技术设备成本较高，需要专业知识和技能进行操作和维护；[0008] 2)针对复杂天气条件和环境干扰的适用性有待改进。[0009] 这些方法需要大量人力、时间和监测成本高，同时易受环境影响且无法获取大面积监测点[0010] 现阶段，对于沉降预测的研究思路主要有数值模拟法、数理统计法、各种组合预测算法和深度学习算法，具体为：[0011] 1、数值模拟法：用于模拟地下水位开采、降雨和排水等导致的沉降，但建模困难且预测结果的鲁棒性和普适性有限。[0012] 2、数理统计方法：通过分析历史数据内在联系实现对未来沉降趋势的预测，但对数据质量要求高，不适用于多因素影响。[0013] 3、组合预测算法：以增加维度或算法种类来提高预测精度，但难度大且无法广泛应用。[0014] 4、深度学习算法：能够挖掘复杂关系，但需要解决一些关键问题以更有效地应用人工神经网络。[0015] 在训练人工神经网络时，梯度依赖性是一个重要问题。为了克服梯度依赖性可能导致的局部最小值问题，可以采用批梯度下降、随机梯度下降和小批梯度下降等改进方法。这些方法可以提高训练和预测性能，但仍需要针对具体情况进行选择和优化。发明内容[0016] 本发明的内容是提供一种机场跑道沉降预测方法及系统，其能够较佳地进行机场跑道沉降预测。[0017] 根据本发明的一种机场跑道沉降预测方法，其包括以下步骤：[0018] Step1、根据SBAS?InSAR技术处理获取的多幅SAR影像；[0019] Step2、构建EnKF?BP模型；[0020] Step3、通过模型预测结果，并进行状态向量的更新；[0021] Step4、判断是否达到迭代要求，若没有则返回Step3，若达到则输出最终预测结果。[0022] 作为优。琒tep1中，具体为：[0023] Step1?1、生成连接图和干涉对：生成图像之间的时间与空间关系；[0024] Step1?2、DEM数据生成干涉图：使用预处理后的SAR图像数据，生成干涉图像；[0025] Step1?3、相位解缠：对每个小区域的干涉图像进行相位解缠，以获取地表形变信息；[0026] Step1?4、选取GCP点进行轨道精炼；[0027] Step1?5、反演及地理编码：通过两次反演对解缠后的相位数据进行时间序列分析；通过地理编码将结果投影到现实坐标系下方便观察。[0028] 作为优。琒tep2的EnKF?BP模型中，设BP的结构为M*；BP的权重ω以及偏置b视为M** * T的状态X，从而得到X＝(ω,b) ；[0029] 预测值公式为：[0030][0031][0032] 式中， 为k时刻第i个集合的状态预测值， 为k?1时刻第i个集合的状* *态分析值，qi是模型误差，服从均值为0、协方差矩阵为Qk的高斯分布；Y 为输出；H表示状态观测矩阵。[0033] 作为优。 通过以下公式进行更新：[0034][0035][0036][0037][0038][0039] 式中，； 是第i个集合在k+1时刻的状态分析值；Kk+1是增益矩阵； 是k+1时刻观测数据；vi,k是观测误差，服从均值为0协方差矩阵为Qk的高斯分布， 是k+1时刻f所有集合的平均分析值；P是预测误差方差矩阵,H为观测算子。[0040] 本发明提供了一种机场跑道沉降预测系统，其采用了上述的一种机场跑道沉降预测方法。[0041] 本发明结合EnKF(EnsembleKalmanfilter)和神经网络BP(BackPropagation)的系统来精确预测机场跑道地表沉降，有益效果如下：[0042] (1)避免计算梯度：本发明通过数据同化方法，避免了对梯度的计算，从而避免了梯度训练中带来的梯度爆炸和梯度消失等问题。[0043] (2)持续学习能力：本发明采用集成卡尔曼滤波(EnKF)进行参数优化，可以在有新的观测值时持续更新参数，实现持续学习的能力。这使得本发明能够及时适应新的数据，并根据观测值进行修正，提高了准确性和适应性。[0044] (3)提高精度：相比于传统的梯度优化的BP模型，EnKF优化的BP模型在精度上表现更好。通过捕捉观测值的变化并适度修正模型，本发明能够更准确地预测目标值，提高了预测精度。[0045] (4)InSAR具有高精度、全天候性、大范围覆盖、高时空分辨率、长期监测能力和非接触性等优点，使其成为地表形变监测和分析的重要工具。附图说明[0046] 图1为实施例中一种机场跑道沉降预测方法的流程图；[0047] 图2为实施例中BP结构和反向传播示意图。具体实施方式[0048] 为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。[0049] 实施例[0050] 如图1所示，本实施例提供了一种(融合SBAS?InSAR技术与EnKF?BP)机场跑道沉降预测方法，其包括以下步骤：[0051] Step1、根据SBAS?InSAR技术处理获取的多幅SAR影像。[0052] 具体为：[0053] Step1?1、生成连接图和干涉对：生成图像之间的时间与空间关系。[0054] Step1?2、DEM数据生成干涉图：使用预处理后的SAR图像数据，生成干涉图像；干涉图像反映了去除地形相位不同时间点的地表变化情况。[0055] Step1?3、相位解缠：对每个小区域的干涉图像进行相位解缠，以获取地表形变信息。[0056] Step1?4、选取GCP点进行轨道精炼。这提高对卫星轨道的精确计算，减小地表形变误差。[0057] Step1?5、反演及地理编码：通过两次反演对解缠后的相位数据进行时间序列分析，以提取地表形变的变化趋势和速率；通过地理编码将结果投影到现实坐标系下方便观察。[0058] Step2、构建EnKF?BP模型；包括确定网络结构，确定神经元个数，设置超参数，初始化参数(初始化状态向量集合)等。[0059] Step3、通过模型预测结果，并进行状态向量的更新。[0060] Step4、判断是否达到迭代要求，若没有则返回Step3，若达到则输出最终预测结果。[0061] InSAR(干涉合成孔径雷达)[0062] InSAR(干涉合成孔径雷达)是一种利用雷达成像技术来监测地表形变的方法。其流程大致包括以下步骤：[0063] 数据采集：通过卫星或飞机搭载的合成孔径雷达系统获取地表的雷达影像数据。这些数据包括不同时间点的雷达干涉图像，记录了地表在不同时间段的反射特征。[0064] 干涉图像配准：对于同一地区不同时间点的雷达影像数据进行配准，以确保它们在空间和时间上的一致性。这一步骤通常需要进行精确的配准和校正，以消除由于不同成像条件和地球自转等因素导致的影像畸变。[0065] 相位解缠：接下来，对配准后的雷达干涉图像进行相位解缠处理。这一步骤通过比较不同时间点的雷达信号的相位差异来计算地表的形变信息，进而得到地表的形变图像。[0066] 形变分析：利用相位解析得到的形变图像，可以对地表的形变情况进行定量分析和监测。通过分析形变图像的变化特征，可以识别地震、地质活动、地表沉降等现象，从而为地质灾害监测、资源勘探和环境监测提供重要数据支持。[0067] 集合卡尔曼滤波(EnKF)[0068] EnKF的基本步骤分为两步：[0069] 假设有N个集合，k＝0在时刻对每个集合进行初始化，[0070] (1)预测[0071] 在预测步中，状态向量即状态分析值的更新是由(2.1)决定的，其中更新会加入高斯噪声。预测值是根据状态向量和观测算子进行计算得到的。[0072][0073][0074] 式中， 是时刻第i个集合的状态分析值； 是k+1时刻状态预测值；Mk,k+1是k时刻到k+1时刻状态变化关系，一般为非线性的模型算子；qi是模型误差，服从均值为0协方差矩阵为Qk的高斯分布；Yi是第i个状态集合的预测值；H为模型观测算子，是状态向量与预测值的映射关系。[0075] (2)更新[0076][0077][0078][0079][0080][0081] 式中，； 是第i个集合在k+1时刻的状态分析值；Kk+1是增益矩阵； 是k+1时刻观测数据；vi,k是观测误差，服从均值为0协方差矩阵为Qk的高斯分布， 是k+1时刻f所有集合的平均分析值；P是预测误差方差矩阵,H为观测算子。[0082] BP神经网络[0083] BP通常使用激活函数来增加网络的非线性性。激活函数可以是sigmoid、ReLU、tanh等。其中反向传播采用的更新参数方法大部分为梯度优化的计算方法。其前馈传播如下所示：[0084][0085][0086] 其中，xi、hj和yk表示输入层、隐藏层和输出层中的节点值。N、M和m是输入层、隐藏层和输出层中神经元的数量；ωji是连接输入xi和隐藏层中第j个神经元的权重；bj和b′j表示隐藏层中的偏置；ωkj是连接隐藏层中的第j个神经元(hj)和输出yk的权重；f1和f2是隐藏层和输出层中的激活函数[0087] 图2为BP结构和反向传播示意图，图中y为网络的真实输出，Y为网络的期望输出，为真实输出与期望输出之间的误差。若 大于给定的误差要求，则 会沿着神经网络进行逆向传播更新权重和偏执。[0088] EnKF?BP网络构建[0089] 假设某一特定问题的BP的结构(网络层数、每一层的节点数以及节点间的连接状* * * * T态)已经确定，用M表示。将BP中的权重ω以及偏置b视为M的状态X，从而得到X＝(ω，b) 。[0090] 则预测值公式为：[0091][0092][0093] 式中， 为k时刻第i个集合的状态预测值， 为k?1时刻第i个集合的状*态分析值，qi是模型误差，服从均值为0、协方差矩阵为Qk的高斯分布；Y为输出，是状态向量*与预测值的映射关系；H表示状态观测矩阵。[0094] 反向传播中的参数更新被EnKF替代，EnKF在新观测值可以使用时启动，对模型的参数进行调整以融合新观测值做出新的预测。BP和EnKF的结合有几个超参数，需要根据实际情况的先验信息来确定。[0095] 本实施例提供了一种机场跑道沉降预测系统，其采用了上述的一种机场跑道沉降预测方法。[0096] 本实施例融合了SBAS?InSAR技术与EnKF?BP进行机场跑道沉降预测，具有以下优点：[0097] 高精度监测：使用SBAS?InSAR技术可以实现非接触式大范围持续监测，提供亚厘米级的沉降监测精度。这能够准确地监测机场跑道的沉降情况，及时发现潜在的问题。[0098] 时效性预测：通过引入EnKF?BP模型，解决了传统BP神经网络模型时效性和梯度优化的问题。EnKF(集合卡尔曼滤波)优化算法能够更好地适应环境变化，提供更准确的预测结果，并且在数据量较大时无需重新训练模型，加快了预测速度。[0099] 通过准确预测机场跑道的沉降情况，本实施例可以帮助机场管理部门及早发现潜在的沉降问题，加快数据处理速度，提高预测效率，为机场管理部门提供及时反馈和决策支持。降低维护成本，合理安排维护计划，避免突发问题导致的昂贵维修费用。这有助于减少机场运营中可能出现的安全风险和延误情况。[0100] 以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

专利地区：四川

专利申请日期：2024-01-19

专利公开日期：2024-11-22

专利公告号：CN118037563B