基于PSO和SVM的矿区地表下沉系数预测

研究并建立矿区地表下沉系数的智能预测模型.将粒子群优化(PSO)和回归支持向量机(SVM)方法进行融合.采用PSO算法优化SVM回归估计参数,在简要分析影响地表下沉因素的基础上,建立了基于PSO优化参数的SVM(PSO-SVM)矿区地表下沉系数智能预测模型.以我国典型的地表移动观测站资料作为学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP神经网络算法的预测结果进行了比较.结果表明:PSO-SVM方法计算地表下沉系数是可行的,收敛速度更快,计算精度更高.为地表下沉系数的计算探索了一种可行的方法.     

基于Harris-Affine的宽基线立体影像LSM匹配方法

针对宽基线影像的高畸变特点,提出基于几何一致性约束的Harris-Affine高精度最小二乘匹配(Least Square Matching,LSM)方法。首先,用Harris-Affine算子在影像高斯多尺度空间中提取仿射不变特征,并根据特征区域灰度矩阵与主梯度方位来实现特征的几何归一化,继而提取特征描述符,接着采用一种由粗到精的特征匹配策略来渐进地获取正确率占优的特征匹配。然后,通过LSM迭代方法来补偿同名像点的定位误差,LSM迭代所需的良好的几何畸变初值由同名特征区域灰度矩阵与主梯度方位求取,而良好的辐射畸变初值通过同名区域像元灰度的最小二乘线性拟合法求取。实验结果表明:该算法鲁棒有效,且实现了亚像素匹配精度。     

基于序列图像的相似材料模型变形测量

针对传统模型观测方法中存在的缺点,提出利用基于非量测数字相机的数字近景摄影测量技术进行相似材料模型变形测量.推导了利用二维直接线性变换分解相机内外方位元素初值的实用算法,利用最小二乘影像匹配对控制格网点和变形标志点进行高精度定位.结合自检校光束法平差进行变形标志点坐标的高精度解算.利用模型模拟开采不同时刻的序列立体影像像对的解算结果,完成相似材料模型的变形测量和实时位移分析.试验得出变形标志点的平面测定精度高于±1mm.可以满足本次试验条件下相似材料模型变形监测的精度要求.