基于三维激光扫描技术的地形空间三维数据分析与预测

史延昭 葛优

摘要 三维激光扫描技术能够提供扫描物体表面的三维数据，因此可以用于建立高精度高分辨率的数字地形模型。通过结合危险点特征数据，可以建立地形危险点模型。有利于甄别线路周边违建，覆冰线路灾情评估技术，以及直观的分析保电通道中重点三跨线路技术。

【关键词】三维激光扫描技术 三维数据 预测算法

三维激光扫描技术通过高速激光扫描测量的方法，大面积高分辨率地快速获取被测对象表面的三维坐标数据。由于其具有快速性，不接触性，穿透性，实时、动态、主动性，高密度、高精度，数字化、自动化等特性，其应用推广很有可能会像GPS -样引起测量技术的又一次革命。

三维全景技术是一种桌面虚拟现实技术。三维全景技术具有以下几个特点：一是实地拍摄，有照片级的真实感，是真实场景的三维展现。二是有一定的交互性，用户可以通过鼠标选择自己的视角，任意放大和缩小，如亲临现场般环视、俯瞰和仰视。三是不需要单独下载插件直接观看。

无人机全景扫描是通过无人机搭载全景拍摄系统，所采集的图片数据进行制作后，以Flash方式呈现的一种全景观摩方式，在观看全景数据时可进行向前，向后行进，水平和垂直方向旋转，从而可以3600观看图片数据中的景象。全景数据模式可直观的展示和还原输电线路现场情况，实现输电线路全景图像建模记录，与图纸结合形成完备和无死角的现场图像档案。

1 地形空间三维数据与神经网络的结合

BP神经网络是一种信息的正向传播而误差的反向传播的多层前馈网络，是目前的应用范围十分广泛。BP学习算法主要的思想是通过网络学习修正网络权值，不断地减小网络的期望输出与实际输出之间的误差，直到输出层误差平方和达到最小值。BP神经网络的学习过程包括信息正向传播、误差反向传播、网络记忆训练和学习收敛这四个阶段。

1.1 网络输入、输出的确定

这里就存在了一个对应关系，即三维空间坐标和对应危险点之间的函数对应关系，记做：

i=f（x_i，y_i，z_i）

其中i为危险点数据。

因此，选取这3个参数作为BP神经网络的输入向量，即输入层节点数为3，输出层节点个数选为1。

1.2 数据样本归一化

确定好输入和输出层向量及其节点数后，需要通过变换处理对样本数据进行归一化处理。处理的结果是将样本的输入和输出数据变换到（O，1）区间或者（-1，1）区间。进行数据预处理常用的方法有很多，本文选择极差变换进行归一化处理。

1.3 样本数据分类

神经网络的预测能力，也称泛化能力或推广能力，网络训练能力也称逼近能力或学习能力。一般情况下，网络训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势存在一个极限，当达到此极限时，随训练能力的提高，不但不会使预测能力提高，反而还会导致其下降。这样现象被称为“过度拟合”。换言之，神经网络过度地学习了样本数据的细节，却不能反映样本数据蕴含的规律。一般做预测分析时，会将数据样本分为两大部分。一部分是训练数据样本，用于构建网络模型，一部分是测试数据样本，用于检验网络模型。但是，有时候模型的构建过程中也需要检验模型，来辅助模型构建，所以又将训练数据再分为正常训练数据和验证数据两个部分，其中验证数据用于辅助模型的构建，防止过渡拟合。此外，把数据样本进行随机分类可以使数据更加具备典型性，从而使构建的网络有更优良的泛化能力。下面形式的描述一下前面提到的3类数据：

训练数据（Test Data）：用于构建网络模型。

验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用。

测试数据（Test Data）：单独用于检测构建的网络模型，此数据只在模型检验时使用，绝对不允许用于混入训练数据中，否则会导致过度拟合。

2 神经网络设计

设计BP网络参数主要是指对网络的层数、隐含层节点数、训练函数和传递函数进行恰当地选择。网络输出精度在很大程度上会受到选择的网络结构参数的影响，所以要不断地调试这些参数直到确定出最佳网络为止，主要是通过比较训练时迭代次数（Epochs）和网络误差表现（Performance）来判断网络的优劣。

2.1 网络层数设计

一个简单的3层BP神经网络，可以以任意的精度逼近任何非线性物理对象，

因此一般尽量用最少的网络层数来构建神经网络。因此，本文选用一个简单3层BP网络。

2.2 隐含层节点数设计

样本中存在的噪声、样本数目的多少以及样本中蕴涵规律的复杂程度等因素决定着隐含层个数。目前关于如何确定隐含层节点个数的问题还没有较好的理论支持，所以只能通过经验公式先确定出隐含层节点数的范围，也就是隐含层节点数的可能情况，然后再通过反复尝试训练每种可能情况直到找到最佳隐含层节点个数。有如下隐含层节点个数的经验公式：

经验公式（1）：

式中m为输入节点数;n为输出节点数;1为隐层数。

本文选择经验公式（2）来确定隐节点数，由前文知，输入层节点数m=3，输出层节点数n=l，调节常数α范围1-10，因此隐含层节点数应在3到12之间较为合理，即隐节点个数为3、4、5、6、7、8、9、10、11、12。在估算完隐含层节点数的范围后，接下来选择某个数据样本，然后用合理范围内的隐含层节点数分别对样本数据进行训练，记录不同隐含层节点网络训练过程中的收敛速度、收敛曲线以及网络误差，选取误差最小网络的隐节点个数作为最佳值。

对比不同隐节点的误差表现，当隐含层节点数为9网络训练误差表现最小。

2.3 传递函数和训练函数确定

传递函数和训练函数是BP神经网络的重要组成部分。

本文选取的隐含层的传递函数为tansig函数，输出层的传递函数为logsig函数。

根據表格1所示，LM算法计算量小，收敛速度快，因此本文选择trainlm作为训练函数。

预测实现及结果分析

对输入数据进行随机分类，将输入数据的85%划分为训练样本，10%划分为验证样本，5%划分为预测样本。网络结构参数己在前文确定完成，运行过程中其他参数如下所示：

net.trainParam.epochs=1000;

net.trainParam.goal=0.015;

net.rrainParam.lr=0.15：

net.trainParam.mc=0.9;

net.trainParam.max fail=10;

预测模型的精度主要是通过预测值和实际值之间的对比来评价。可以通过训练出来的模型来预测下个危险点特征。

参考文献

[1]姚芳，李志刚，李玲玲，李文华.继电器触头接触电阻的时间序列短期预测[J].中国电机工程学报，2005.

[2]张菲菲，李志刚.基于BP神经网络的继电器剩余寿命预测[J].低压电器，2012（01）：11-14.

[3]李志刚，刘伯颖，李玲玲等，基于小波包变换及RBF神经网络的继电器寿命预测[J].电工技术学报，2015，30 （14）： 233-240.

[4]马东娟，李玲玲，接触电阻时间序列的混沌特性识别与预测研究[J].电力系统保护与控制，2015 （10）：57-61.

[5]李玲玲，马东娟，李志刚，触头动态接触电阻时间序列混沌预测[J].电工技术学报，2014， 29 （09）：187-193.

[6]邵丹，李文华，王俊等，一种基于多参数的密封式电磁继电器贮存寿命预测方法[J].电器与能效管理技术，2015 （01）：12-16.