基于K-means聚类的破碎地形道路断面测量数据查询方法

曾泳谕

（广东省国土资源测绘院，广东 广州 510000）

0.引言

在道路监测和维护管理中，需要对破碎地形道路断面进行测量和实时监测，分析破碎地形道路断面的数据分布特性，构建大数据库，通过GIS信息检测技术，进行破碎地形道路断面测量数据的优化查询处理，以提高破碎地形道路断面测量数据的实时关联和调度能力。随着数据库技术的广泛应用，采用数据库体系架构方法，建立破碎地形道路断面测量数据的信息聚类和检测模型，实现破碎地形道路断面测量数据的优化检测。研究破碎地形道路断面测量数据查询，对提高破碎地形道路断面测量能力具有重要意义[1]。

对破碎地形道路断面测量数据查询由分布式链路节点识别实现，结合对破碎地形道路断面测量数据的特征分析，采用模糊测量和跟随识别的方法实现对破碎地形道路断面测量数据采集，数据查询的方法主要有基于关联特征检测的破碎地形道路断面测量数据查询方法、基于不规则三角网的破碎地形道路断面测量数据查询方法等[2]，使用分析破碎地形道路断面测量数据的稳定性特征量，使用状态参数检测，实现对破碎地形道路断面测量数据的查询。文献[3]中构建破碎地形道路断面测量数据快速查询的地表沉降分断层本体结构模型，采用相关特征分析，实现破碎地形道路断面测量数据快速查询，但该方法的计算复杂度较高。文献[4]中采用分布式链路节点跟随识别的方法实现对破碎地形道路断面测量数据采集，对采集的破碎地形道路断面测量数据进行非线性样本重组，实现数据查询，但该方法的输出稳定性较差，查询精度较低。针对以上方法存在的问题，本文提出基于Kmeans聚类的破碎地形道路断面测量数据查询方法。首先采用组合传感器和地形监测仪实现对破碎地形道路断面数据采集和测量，然后通过K-means聚类方法实现破碎地形道路断面测量数据的融合聚类和分层查询，最后进行仿真测试分析。结果显示：本文方法在提高破碎地形道路断面测量数据查询能力方面具有优越性。

1.破碎地形道路断面测量数据特征分析

1.1 数据查询总体结构

%%为实现基于K-means聚类的破碎地形道路断面测量数据快速查询，分析基坑降水工程中土体的侧向变形分布，结合对破碎地形道路断面的中层位和断层面的矢量分布，分析地形道路断面测量数据的存储结构，在含逆断层区域内，通过上下干土、非饱和土与饱和土各自的断面测量参数分布及密度感知结果，采用非饱和土的体变模量参数分析方法，进行数据分块，得到破碎地形道路断面测量数据的分块存储结构模型如图1所示。

图1破碎地形道路断面测量数据的分块存储结构

在使用的分块结构中，分析道砟颗粒形状对颗粒力学行为参数的影响，构建破碎地形道路断面测量数据的线性跟踪控制模型，基于点云坐标构建三角形薄片指数分析方法，进行特征点匹配。根据匹配结果，实现数据检索，采用组合传感器和地形监测仪实现对破碎地形道路断面数据采集和测量，采集的断面测量数据主要有位移数据、切向数据、应变势能和外力势能等参数，通过连续体单元网格结构分析，进行界面单元传递到离散元的数据分布，由此采用K-means算法实现数据聚类[5]，得到数据查询的结构模型如图2所示。

图2破碎地形道路断面测量数据查询的结构模型

1.2 破碎地形道路断面测量特征分析

根据破碎地形道路断面测量数据查询的实现结构图，结合不规则三角网地形重构方法，建立地质层面重构模型，采用假设Gc表示破碎地形道路断面测量数据库离散元与有限差分模型，在有向图G1和G2的交集中得到平衡方程，在有向图G1和G2的传输链路节点中，分析破碎地形道路断面道砟颗粒外形特征以及细观力，在状态空间A、B和C中存在共同节点，当破碎地形道路断面测量数据的存储空间属于G1和G2。计算有向图G1、G2地表沉降分断层模糊特征分布域Sr，并基于点云坐标构建三角形薄片指数分布，构建状态方程，基于无重叠二维离散单元点云分析，得到破碎地形道路断面三维模型如图3所示。通过破碎地形道路断面测量数据的地表沉降分断层特征检索，采用单颗粒激光扫描方法进行测量数据检测，在垂直剖面上得到数据三维分布状态方程，如式（1）所示：

图3破碎地形道路断面三维模型

式（1）中，φ1、φ2、φ3分别为破碎地形道路粒形状轮廓坐标分布；a为沿界面单元切线；r为距离函数。在离散元模型与有限差分模型中，引入破碎地形道路断面的球度指数Sp及棱角尖锐系数Ψ，得到破碎地形道路断面测量数据的特征分布，如式（2）所示：

式（2）中，I为破碎地形道路断面交点；P为各表面点坐标的分布曲面。由此，构建破碎地形道路断面测量数据特征分析模型，根据断面特征参数解析和聚类，进行数据查询处理。

2.数据查询算法优化设计

2.1 K-means聚类的数据分类

对采集的破碎地形道路断面测量数据进行非线性样本重组，采用K-means聚类分析方法，分析地层的竖向参数结构，结合相空间重构方法实现对破碎地形道路断面测量数据的降维处理，构建破碎地形道路断面测量数据的聚类模型，得到地表沉降分断层相似度S，如式（3）所示：

式（3）中，b为组合黏参数；Si为颗粒形状指标分布；Sr为离散元的相似度分量，当Sr=0时，破碎地形道路断面测量数据的模糊度辨识参量S取决于Sc·a，如式（4）所示：

式（4）中，n （D1）和n （D2）分别为破碎地形道路断面测量数据库分布在有向图G1和G2中的查询节点数目；破碎地形道路断面测量数据的交叉地表沉降分断层分布集为n （D1∩D2），在破碎地形道路断面测量数据集的公共结点中，通过地表沉降分断层融合，实现破碎地形道路断面测量数据结构存储。

采用K-means聚类分析方法，得到破碎地形道路断面的最大加载轴向聚类系数K，如式（5）所示：

式（5）中，mGC为横断面内道砟颗粒的平动参数；GC为道床顶面宽度；在有限域GC中查询到的破碎地形道路断面测量数据的K-means聚类分量为如此可将线路测量简化为二维问题并进行数值模拟，二维特征分析问题表示为Vi和Xi，得到破碎地形道路断面测量数据查询的目标控制函数f，如式（6）所示：

式（6）中，favg为循环加载的平均聚类参数；fi为检测阈值，根据破碎地形道路断面测量数据查询的全局寻优，进行测量数据分量查询。

2.2 数据查询输出

采用内插的Grid（栅格）模型建立破碎地形道路断面测量数据的分层结构模型，在破碎地形道路断面剖面上层位和断层分布域中，最大和最小阈值控制参数ximax和ximin。由此得到破碎地形道路断面测量数据在区间(-1,1)之间的解释控制变量cxi，如式（7）所示：

式（7）中，xi为轨枕-碎石道床离散元数值分布；ximin和ximax为最小和最大阈值，并计算蚁群寻优过程控制参数，得到破碎地形道路断面测量数据在查询过程中的新位置对应的目标值fik+1，更新K-means聚类的差异度变量cxi，在最优颗粒法向及切向接触刚度约束下，得到破碎地形道路断面测量数据特征提取的决策变量xi，如式（8）所示：

由此，利用破碎地形道路断面测量数据特征的差异性实现信息融合，提高破碎地形道路断面测量数据的检测和查询能力。

综上分析，通过K-means聚类方法实现破碎地形道路断面测量数据的融合聚类和分层查询。

3.仿真试验分析

采用施工现场测试和仿真试验分析的方法，进行破碎地形道路断面测量数据查询的试验分析，对破碎地形道路断面测量数据采样采用激光扫描仪，传感器节点分布为200，围压保持为60 kPa，数据采样的分布幅值为200 kPa，加载频率为5 Hz，K-means聚类的迭代次数为1200，数据先验分布的长度为1023，仿真硬件测试平台如图4所示。初始测量参数分布如表1所示。

图4试验测试平台

表1参数设定

根据上述参数和仿真平台设定，采用本文算法进行破碎地形道路断面测量数据查询，得出破碎地形道路断面的有限元分布和点云数据参数分布如图5所示。

图5数据特征分布仿真

根据破碎地形道路断面的有限元分布和点云数据参数分布特征解析结果，得到断面测量结果如图6所示。

图6断面测量查询结果

测试不同方法的查准率和查全率，对比结果可知，本文方法的查准率和查全率较高，提高了破碎地形道路断面测量数据查询的寻优能力如图7所示。

图7查询性能对比测试

4.结束语

本文建立破碎地形道路断面测量数据的融合和特征聚类模型，通过特征聚类和融合结果实现数据查询，采用激光扫描的方法进行数据采集和仿真分析，在破碎地形道路断面剖面上层位和断层分布域中，通过K-means聚类方法实现破碎地形道路断面测量数据的融合聚类和分层查询，根据破碎地形道路断面的有限元分布和点云数据参数分布，实现数据特征聚类后的查询能力分析。研究得出：本文方法提高了破碎地形道路断面测量数据查询能力，进而提高破碎地形道路断面测量和养护能力。