基于D-InSAR技术和SVR算法的开采沉陷监测与预计

针对传统开采沉陷监测和预计方法存在诸多缺陷且两者无法实现集成化的问题,提出了利用合成孔径雷达差分干涉测量技术(D-InSAR)进行开采沉陷监测,并将监测结果与支持向量回归算法(SVR)相结合进行开采沉陷动态预计,最终实现开采沉陷监测与动态预计的一体化.首先利用D-InSAR技术获取开采沉陷的影响范围与发展趋势;然后将监测结果作为SVR算法的训练与学习样本建立预计函数;最后在已建立预计函数的基础上采用滚动预测方法进行开采沉陷动态预计.以陕西省大柳塔矿某工作面为例,采用所提出的方法,使用13景TerraSAR-X雷达影像进行实验研究与分析.结果表明:D-InSAR监测结果能够很好地反映开采沉陷的影响范围与发展趋势,其开采沉陷的最大绝对和相对预计误差分别为19mm,5.4%.实验结果证明了该方法的可行性.     

基于D-InSAR和概率积分法的矿区大变形地表沉降提取方法(英文)

针对差分合成孔径雷达干涉测量(D-InSAR)技术无法正确获取矿区地表大沉降量的问题,提出D-InSAR及概率积分法联合获取矿区沉降量的新方法。具体过程为:由D-InSAR技术得到下沉盆地,选取盆地边缘相干系数较大而下沉量较小的点,再加入最大下沉点和拐点附近的少量实测点作为解算控制点;然后采用遗传算法对概率积分法参数不断进行优化;最后,由解算的最优参数反算地表下沉盆地。实例表明,该方法能够在减少地面监测点数量的情况下获取较为准确的地表沉降场,最大下沉的相对误差为8.3%,优于D-InSAR的监测结果(相对误差约68.0%)。     

老采空区残余沉降预测参数研究

在采空区残余沉降的预测中，概率积分法参数的选取至关重要。但它并没有规律可循，只能根据经验。为较好地解决这一问题，提出了一种求取概率积分法参数的简便预计模型，归纳了参数的选取规律，建立了预计模型，导出了预计公式。同时结合某矿区的实测资料，按上述方法求得了预计参数，进而对另一矿区的残余下沉进行了预计与比较，取得了良好的预测效果，证明了该研究方法具有一定的普遍适用性和正确性。     

基于支持向量机的主要影响角正切求取方法研究

主要影响角正切是开采沉陷预计的重要参数,对于地表影响范围的确定具有重要的意义。在综合分析主要影响角正切与地质采矿条件之间关系的基础上,运用我国典型的地表移动观测站资料作为学习训练样本,通过合理地选择SVM中的核函数,惩罚参数C,不敏感损失参数ε,建立了主要影响角正切与各影响因素的SVM回归关系模型,并用此模型对检验样本进行预测。结果表明,用支持向量机方法求算主要影响角正切具有较高的精度,可以在实际工程中进行推广应用。该方法可以综合考虑多种因素对主要影响角正切的影响,为今后快速准确地求取主要影响角正切提供了一个新的方法。     

D-InSAR监测老采空区残余变形的试验

D-InSAR技术在区域地表微小形变监测方面应用越来越广泛,但是在相位梯度变化比较大的老采空区变形监测方面研究较少。在介绍差分合成孔径雷达(D-InSAR)技术的基本原理的基础上,结合具有较高距离向分辨率的8景PALSAR数据,通过差分干涉处理,获得了徐州某老采空区的地表形变场。同时,提取1993年老采空区上方的6个点为研究对象,分别对其进行回归分析,建立了稳健回归模型。监测结果显示该采空区残余沉降是缓慢、渐变的。试验研究表明,DInSAR技术可以应用于监测大面积的老采空区残余变形,同时稳健回归模型能降低预测计算的复杂度。     

基于拉普拉斯特征映射高光谱遥感影像降维及其分类

在进行高光谱遥感影像监督分类过程中,结合高光谱数据非线性的特点和流形学习强大的非线性处理能力,提出一种基于拉普拉斯特征映射(LE)降维和最佳指数法(OIF)波段组合选择训练样本进行SVM分类的策略,首先对高光谱遥感影像波段进行优化,利用拉普拉斯特征映射法(LE)对波段优选后的影像进行降维,利用OIF选择波段组合叠加进行训练样本选择。在此基础上采用支持向量机(SVM)进行分类处理,取得了优于PCA的效果。实验证明了流形学习是一种行之有效的高光谱遥感数据特征提取方法。     

基于时序SAR技术的采空区上方高速公路变形监测及预测方法

为掌握采空区上方所建高速公路的变形趋势,解决老采空区上方地表变形监测数据较少,不易建立时序沉降预测模型的问题,利用D-InSAR（Differential Interferometric Synthetic Aperture Radar）技术对某高速公路进行了变形监测和分析,同时将其结果同地面实测数据相融合,并以LS-SVM(Least Squares-Support Vector Machine)为基础,建立了采空区上方高速公路变形预计模型,通过实例,验证了模型的正确性。具体过程：处理融合数据为等时间间隔,并将其趋势项去除,对余项进行平稳性、正态性及零均值处理;利用Cao方法计算嵌入维数,建立训练样本集,并进行LS-SVM学习训练;最后,采用训练好的模型对未来地表沉降进行预计。以511号监测点为研究对象,建立滚动预计方法,结果显示其最大下沉绝对误差3 mm,最大相对误差2.2%,取得了较为可靠的预计成果。     

地表下沉预计的BP-ANN模型对比研究

在综合分析地表下沉影响因素的基础上,采用不同的BP-ANN算法建立了地表下沉的预计模型,运用某矿区的实测数据,对各模型进行了训练和性能测试,并对各网络模型进行了对比分析。结果表明,采用BP-ANN模型预计地表下沉的结果是合理的,该方法减少了预计中的人为因素,将复杂问题简单化,预计结果准确可靠,具有一定的应用价值。     

开采沉陷动态预测时间函数参数变化规律研究——以Weibull为例

针对开采沉陷动态预测模型中时间函数参数主要以最大下沉点的下沉时间序列为基础反演获取,在工作面上方空间位置变化规律研究不足的问题;依据工作面推进过程中覆岩受力、垮落情况,在平面方向上将采空区分为竖向整体受压区、中间区、动态完全区3个区间;以Weibull时间函数为例,分析了动态预测m、k 2个参数的含义、空间分布规律及特点,并构建2个参数的分区数学模型及选取准则;分别以实测最终值、概率积分法预测值为基准,通过实例验证了其正确性,丰富了开采沉陷动态预测参数研究。     

基于目标分解的极化SAR图像SVM监督分类

鉴于使用单一特征无法获得令人满意的分类效果以及SVM在小训练样本时具有良好的分类性能,提出了基于多种目标分解方法和SVM的极化SAR图像分类方法。首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用于极化SAR图像分类。通过选取不同的特征信息作为支持向量机的输入,比较其对分类性能的影响,得到最优的用于分类的特征信息组合,其中将相干分解和非相干分解的信息同时用做分类特征能够获得较好的分类效果。利用NASA/JPL实验室AIRSAR系统获取的全极化SAR数据进行实验处理,与Wishart监督分类进行对比,验证了将目标分解信息用做分类特征的有效性,同时与Wishart/H/α和模糊C-均值H/α分类方法进行对比,得到提出的方法具有良好的分类性能。