CN113051825A - 一种海底趋势面的动态ls-svm构建方法 - Google Patents

一种海底趋势面的动态ls-svm构建方法 Download PDF

Info

Publication number
CN113051825A
CN113051825A CN202110330350.4A CN202110330350A CN113051825A CN 113051825 A CN113051825 A CN 113051825A CN 202110330350 A CN202110330350 A CN 202110330350A CN 113051825 A CN113051825 A CN 113051825A
Authority
CN
China
Prior art keywords
submarine
trend surface
sounding
data
dynamic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110330350.4A
Other languages
English (en)
Other versions
CN113051825B (zh
Inventor
黄贤源
吴太旗
黄辰虎
邓凯亮
陈欣
刘玉红
范龙
董斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHINESE PEOPLE'S LIBERATION ARMY 92859 TROOPS
Original Assignee
CHINESE PEOPLE'S LIBERATION ARMY 92859 TROOPS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHINESE PEOPLE'S LIBERATION ARMY 92859 TROOPS filed Critical CHINESE PEOPLE'S LIBERATION ARMY 92859 TROOPS
Priority to CN202110330350.4A priority Critical patent/CN113051825B/zh
Publication of CN113051825A publication Critical patent/CN113051825A/zh
Application granted granted Critical
Publication of CN113051825B publication Critical patent/CN113051825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD

Abstract

本发明涉及一种海底趋势面的动态LS‑SVM构建方法，包括以下技术特点：利用已建好的海底趋势面模型，根据海底地形的变化情况，对模型内数据进行区域划分，并对划分区域内的测深数据进行优化；计算Lagrange乘子a初始值和常值偏差b初始值公式；向划分好的区域内增加m个测深训练样本数据{(xn+j,yn+j),Ln+j},j＝1,2,…,m，并计算增加测深训练样本后的
Figure DDA0002996120810000011
的表达式；划分好的区域内增加m个测深训练样本数据后再删减m个测深训练样本数据，并计算相对应的
Figure DDA0002996120810000012
的表达式，所述
Figure DDA0002996120810000013
用于求解海底趋势面函数；更新Lagrange乘子a和常值偏差b得到新的海底趋势面函数模型，并构建动态海底趋势面。本发明能够构建合理的动态海底趋势面，消除区块与区块之间存在的拼接不一致问题，保证了海底地形显示的连续性。

Description

一种海底趋势面的动态LS-SVM构建方法
技术领域
本发明属于海洋测量技术领域，涉及构造海底趋势面的方法，尤其是海底趋势面的动态LS-SVM构建方法。
背景技术
利用多波束测深数据反演海底地形其实质是将海底趋势面的构造转化为最小二乘支持向量机(LeastSquaresSupportVectorMachine，LS-SVM)模型函数构建问题，LS-SVM算法是小样本训练的方法，其计算量达到了样本点数目的平方级，而多波束测深数据具有海量性的特点。在利用LS-SVM算法构造海底趋势面的过程中，为了避免消耗大量的内存资源，必须对数据进行区域划分，使划分区域内的数据量满足LS-SVM训练的标准，由于不同区块的核函数和参数不同，因此区块与区块之间存在拼接不一致问题。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种可有效提高构造效率消除区块与区块之间存在的拼接不一致问题的海底趋势面的动态LS-SVM构建方法。
本发明解决技术问题所采用的技术方案是：
一种海底趋势面的动态LS-SVM构建方法，包括以下步骤：
步骤1、利用已建好的海底趋势面模型，根据海底地形的变化情况，对模型内数据进行区域划分，并对划分区域内的测深数据进行优化。
步骤2、计算Lagrange乘子a初始值和常值偏差b初始值公式。
步骤3、向划分好的区域内增加m个测深训练样本数据{(xn+j,yn+j),Ln+j},j＝1,2,…,m，并计算增加测深训练样本后的
Figure BDA0002996120790000011
的表达式。
步骤4、划分好的区域内增加m个测深训练样本数据后再删减m个测深训练样本数据，并计算相对应的
Figure BDA0002996120790000012
的表达式，所述
Figure BDA0002996120790000013
用于求解海底趋势面函数。
步骤5、利用计算得到的
Figure BDA0002996120790000014
更新Lagrange乘子a和常值偏差b得到新的海底趋势面函数模型，并利用新的海底趋势面函数模型构建动态海底趋势面。
而且，所述步骤1中的测深数据优化方法为，对每一个划分区域内的测深数据进行格网化，得到网格节点，且节点与节点的间距保证海底地形的变化具有连续性，否则做进一步细分，然后将每一个划分区域内的测深数据划分为测深训练样本和测试测深训练样本，选取有效的测深训练样本并选择适合海底地形变化的核函数。
而且，所述步骤2的具体实现方法为：
设选取的测深训练样本为{(xi,yi),Li},(i＝1,2,···,n),n为样本总数，将测深点平面坐标(xi,yi)作为LS-SVM算法的输入信息；测深值Li作为输出值，最优趋势面模型函数的优化目标和约束条件分别为：
Figure BDA0002996120790000021
Figure BDA0002996120790000022
式中，非线性映射
Figure BDA0002996120790000023
为测深点平面坐标函数，ω为权向量，b为实常数；ξi为误差变量；C为惩罚因子；
引入拉格朗日函数F求解上式的优化问题：
Figure BDA0002996120790000024
式中，ai为Lagrange乘子，称对应于ai≠0的样本点为支持向量，根据KKT优化条件
Figure BDA0002996120790000025
且核函数定义为
Figure BDA0002996120790000026
得到如下线性方程组：
Figure BDA0002996120790000027
记，In＝[1 1 … 1]T，
Figure BDA0002996120790000028
求解得到Lagrange乘子a和常值偏差b的计算表达式：
Figure BDA0002996120790000029
Figure BDA00029961207900000210
而且，所述步骤3中增加m个样本后，对应的Qn+m的表达式为
Figure BDA0002996120790000031
其中：Kn+m＝K((xn+j,yn+j),(xi,yi)),(j＝1,…,m),(i＝1,…,n+j-1)；
Figure BDA0002996120790000032
由矩阵求逆引理得到
Figure BDA0002996120790000033
的表达式为：
Figure BDA0002996120790000034
其中：
Figure BDA0002996120790000035
而且，所述步骤4中
Figure BDA0002996120790000036
的表达式为：
Figure BDA0002996120790000037
其中q＝ρ-1，
Figure BDA0002996120790000038
Figure BDA0002996120790000039
而且，所述步骤5中更新后得到新的海底趋势面函数模型为：
Figure BDA00029961207900000310
本发明的优点和积极效果是：
本发明充分利用已建好的模型，逐渐加入新样本，并可删除位于任何位置的非支持向量，避免了矩阵高阶求逆运算，保证了算法的高效率。本算法能充分利用当前时刻的模型调整和修正下一时刻的模型参数，从而构建出合理的动态海底趋势面，有效地解决了区块划分引起的拼接不一致问题。
附图说明
图1为区域划分后的取值窗口示意图。
图2为增加的m个样本的取值窗口示意图。
图3为减去的m个样本的取值窗口示意图。
图4为经过增加和删减样本后的取值窗口示意图。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种海底趋势面的动态LS-SVM构建方法，包括以下步骤：
步骤1、利用已建好的海底趋势面模型，根据海底地形的变化情况，对模型内数据进行区域划分，并对划分区域内的测深数据进行优化。
在本步骤中，为了充分利用全部水深测量数据获得有效的训练样本，对每一个划分区域内的测深数据进行格网化，得到网格节点，且节点与节点的间距保证海底地形的变化具有连续性，否则做进一步细分，然后将每一个划分区域内的测深数据划分为测深训练样本和测试测深训练样本，选取有效的测深训练样本并选择适合海底地形变化的核函数。
步骤2、计算Lagrange乘子a初始值和常值偏差b初始值公式。
本步骤中，设选取的测深训练样本为{(xi,yi),Li},(i＝1,2,···,n),n为样本总数，将测深点平面坐标(xi,yi)作为LS-SVM算法的输入信息；测深值Li作为输出值，最优趋势面模型函数的优化目标和约束条件分别为：
Figure BDA0002996120790000041
Figure BDA0002996120790000042
式中，非线性映射
Figure BDA0002996120790000043
为测深点平面坐标函数，ω为权向量，b为实常数；ξi为误差变量；C为惩罚因子；
引入拉格朗日函数F求解上式的优化问题：
Figure BDA0002996120790000044
式中，ai为Lagrange乘子，称对应于ai≠0的样本点为支持向量，根据KKT优化条件
Figure BDA0002996120790000045
且核函数定义为
Figure BDA0002996120790000046
得到如下线性方程组：
Figure BDA0002996120790000047
记In＝[1 1 … 1]T，
Figure BDA0002996120790000048
求解得到Lagrange乘子a和常值偏差b的计算表达式：
Figure BDA0002996120790000049
Figure BDA0002996120790000051
步骤3、向划分好的区域内增加m个测深训练样本数据{(xn+j,yn+j),Ln+j},j＝1,2,…,m，并计算增加测深训练样本后的
Figure BDA0002996120790000052
的表达式。
假设增加m个样本{(xn+j,yn+j),Ln+j},j＝1,2,…,m，对应的Qn+m的表达式为
Figure BDA0002996120790000053
其中：Kn+m＝K((xn+j,yn+j),(xi,yi)),(j＝1,…,m),(i＝1,…,n+j-1)；
Figure BDA0002996120790000054
由矩阵求逆引理得到
Figure BDA0002996120790000055
的表达式为：
Figure BDA0002996120790000056
其中：
Figure BDA0002996120790000057
本步骤是为了跟踪系统的动态特性，当系统产生新的数据时，应将新信息加入系统的函数模型中，数据增加，核矩阵的维数将随之增加，最终会导致系统资源的耗尽，所以需要进入下一步，删除位于任何位置的非支持向量，避免矩阵高阶求逆运算,保证了算法的高效率。
步骤4、划分好的区域内增加m个测深训练样本数据后再删减m个测深训练样本数据，并计算相对应的
Figure BDA0002996120790000058
的表达式，所述
Figure BDA0002996120790000059
用于求解海底趋势面函数。
假设已经增加了m个样本，并且
Figure BDA00029961207900000510
已知，将Qn+m重新表述为以下形式：
Figure BDA00029961207900000511
其中，
Figure BDA00029961207900000512
Km＝K((xj,yj),(xi,yi)),(j＝1,…,m),(i＝j+1,…,n+m)，应用矩阵求逆引理得到
Figure BDA00029961207900000513
的计算表达式：
Figure BDA00029961207900000514
其中，
Figure BDA00029961207900000515
令ρ-1＝q，
Figure BDA00029961207900000516
则
Figure BDA00029961207900000517
的表达式可以写成：
Figure BDA00029961207900000518
由
Figure BDA0002996120790000061
的表达式可得
Figure BDA0002996120790000062
的计算表达式：
Figure BDA0002996120790000063
步骤5、利用计算得到的
Figure BDA0002996120790000064
更新Lagrange乘子a和常值偏差b得到新的海底趋势面函数模型，进而利用新的海底趋势面函数模型构建动态海底趋势面。
本步骤中，更新后得到新的海底趋势面函数模型为：
Figure BDA0002996120790000065
下面通过一具体实施例对本发明的方法进行验证：
假设给定一组测深样本数据(40*40)，设定初始样本的取值窗口(40*15)，如图1所示，增加和删减样本的个数相同为(40*5)，分别如图2(中间标识点，标注*点)和图3(左侧标识点，标注O点)所示。经过样本的增加和删减过程，样本的取值窗口保持不变，动态选取测深训练样本如图4所示，可见本方法消除了区块与区块之间存在的拼接不一致问题，保证了海底地形显示的连续性。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种海底趋势面的动态LS-SVM构建方法，其特征在于：包括以下步骤：
步骤1、利用已建好的海底趋势面模型，根据海底地形的变化情况，对模型内数据进行区域划分，并对划分区域内的测深数据进行优化；
步骤2、计算Lagrange乘子a初始值和常值偏差b初始值公式；
步骤3、向划分好的区域内增加m个测深训练样本数据{(xn+j,yn+j),Ln+j},j＝1,2,…,m，并计算增加测深训练样本后的
Figure FDA0002996120780000011
的表达式；
步骤4、划分好的区域内增加m个测深训练样本数据后再删减m个测深训练样本数据，并计算相对应的
Figure FDA0002996120780000012
的表达式，所述
Figure FDA0002996120780000013
用于求解海底趋势面函数；
步骤5、利用计算得到的
Figure FDA0002996120780000014
更新Lagrange乘子a和常值偏差b得到新的海底趋势面函数模型，并利用新的海底趋势面函数模型构建动态海底趋势面。
2.根据权利要求1所述的一种海底趋势面的动态LS-SVM构建方法，其特征在于：所述步骤1中的测深数据优化方法为，对每一个划分区域内的测深数据进行格网化，得到网格节点，且节点与节点的间距保证海底地形的变化具有连续性，否则做进一步细分，然后将每一个划分区域内的测深数据划分为测深训练样本和测试测深训练样本，选取有效的测深训练样本并选择适合海底地形变化的核函数。
3.根据权利要求1所述的一种海底趋势面的动态LS-SVM构建方法，其特征在于：所述步骤2的具体实现方法为：
设选取的测深训练样本为{(xi,yi),Li},(i＝1,2,···,n),n为样本总数，将测深点平面坐标(xi,yi)作为LS-SVM算法的输入信息；测深值Li作为输出值，最优趋势面模型函数的优化目标和约束条件分别为：
Figure FDA0002996120780000015
Figure FDA0002996120780000016
式中，非线性映射
Figure FDA0002996120780000017
为测深点平面坐标函数，ω为权向量，b为实常数；ξi为误差变量；C为惩罚因子；
引入拉格朗日函数F求解上式的优化问题：
Figure FDA0002996120780000021
式中，ai为Lagrange乘子，称对应于ai≠0的样本点为支持向量，根据KKT优化条件
Figure FDA0002996120780000022
且核函数定义为
Figure FDA0002996120780000023
得到如下线性方程组：
Figure FDA0002996120780000024
记，In＝[1 1 … 1]T，
Figure FDA0002996120780000025
求解得到Lagrange乘子a和常值偏差b的计算表达式：
Figure FDA0002996120780000026
Figure FDA0002996120780000027
4.根据权利要求3所述的一种海底趋势面的动态LS-SVM构建方法，其特征在于：所述步骤3中增加m个样本后，对应的Qn+m的表达式为
Figure FDA0002996120780000028
其中：Kn+m＝K((xn+j,yn+j),(xi,yi)),(j＝1,…,m),(i＝1,…,n+j-1)；
Figure FDA0002996120780000029
由矩阵求逆引理得到
Figure FDA00029961207800000210
的表达式为：
Figure FDA00029961207800000211
其中：
Figure FDA00029961207800000212
5.根据权利要求1所述的一种海底趋势面的动态LS-SVM构建方法，其特征在于：所述步骤4中
Figure FDA00029961207800000213
的表达式为：
Figure FDA00029961207800000214
其中q＝ρ-1，
Figure FDA00029961207800000215
Figure FDA00029961207800000216
6.根据权利要求4所述的一种海底趋势面的动态LS-SVM构建方法，其特征在于：所述步骤5中更新后得到新的海底趋势面函数模型为：
Figure FDA0002996120780000031
CN202110330350.4A 2021-03-29 2021-03-29 一种海底趋势面的动态ls-svm构建方法 Active CN113051825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110330350.4A CN113051825B (zh) 2021-03-29 2021-03-29 一种海底趋势面的动态ls-svm构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110330350.4A CN113051825B (zh) 2021-03-29 2021-03-29 一种海底趋势面的动态ls-svm构建方法

Publications (2)

Publication Number Publication Date
CN113051825A true CN113051825A (zh) 2021-06-29
CN113051825B CN113051825B (zh) 2022-08-05

Family

ID=76515938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110330350.4A Active CN113051825B (zh) 2021-03-29 2021-03-29 一种海底趋势面的动态ls-svm构建方法

Country Status (1)

Country Link
CN (1) CN113051825B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729569A (zh) * 2014-01-20 2014-04-16 华北电力大学 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN103728879A (zh) * 2014-01-20 2014-04-16 华北电力大学 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法
CN104156473A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 一种基于ls-svm的传感器检测数据异常片段检测方法
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN109299739A (zh) * 2018-09-26 2019-02-01 速度时空信息科技股份有限公司 基于法向量的曲面拟合对车载激光点云滤波的方法
CN109799506A (zh) * 2019-01-08 2019-05-24 中国人民解放军92859部队 基于留一样本交叉检核的ls-svm算法的稀疏处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729569A (zh) * 2014-01-20 2014-04-16 华北电力大学 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN103728879A (zh) * 2014-01-20 2014-04-16 华北电力大学 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法
CN104156473A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 一种基于ls-svm的传感器检测数据异常片段检测方法
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN109299739A (zh) * 2018-09-26 2019-02-01 速度时空信息科技股份有限公司 基于法向量的曲面拟合对车载激光点云滤波的方法
CN109799506A (zh) * 2019-01-08 2019-05-24 中国人民解放军92859部队 基于留一样本交叉检核的ls-svm算法的稀疏处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
陈春，黄贤源: ""奇偶交叉样本检核在测深数据模型构建中的应用"", 《海洋测绘》 *
黄贤源，翟国君: ""LS-SVM 算法中优化训练样本对测深异常值剔除的影响"", 《测绘学报》 *
黄贤源，翟国君: ""稀疏LS－SVM 算法在海底趋势面模型构建中的应用"", 《海洋测绘》 *

Also Published As

Publication number Publication date
CN113051825B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Mandli et al. Adaptive mesh refinement for storm surge
CN111639429B (zh) 基于切比雪夫多项式谱的水下声场数值模拟方法、系统及介质
CN113259034B (zh) 一种并行的耦合海洋声学预报系统及运行方法
CN110060342B (zh) 一种三维曲面拟合方法
CN114331842B (zh) 结合地形特征的dem超分辨率重建方法
CN111243091A (zh) 基于分布式系统的海量dem金字塔切片并行构建方法
CN109933877B (zh) 代数多重网格三维变分数据同化方法
CN108196951B (zh) Gpu流域径流模拟分布式调度系统及方法
CN113033668A (zh) 基于样本欧氏距离的ls-svm算法测深训练样本抽稀方法
CN115238550A (zh) 自适应非结构网格的滑坡降雨的地电场数值模拟计算方法
CN116774292A (zh) 一种地震波走时确定方法、系统、电子设备及存储介质
CN116861799B (zh) 基于残差的海底地形反演模型生成及海底地形反演方法
CN113051825B (zh) 一种海底趋势面的动态ls-svm构建方法
CN105869210A (zh) 三维地质表面模型中的插值数据处理方法
CN104123449A (zh) 复杂山地区域的分区局部变加密不等距双重网格剖分方法
CN116664758A (zh) 一种基于断层面的四面体网格自适应分级细化方法
CN110765694A (zh) 一种基于简化型浅水方程组的城市地表水流数值模拟方法
Wang et al. A non-uniform grid approach for high-resolution flood inundation simulation based on GPUs
CN115272594A (zh) 一种基于geotools的等值面生成方法
CN111898819B (zh) 空间网格划分方法及装置
Jie et al. Research on Design Optimization of High-Speed Ship Bulbous Bow Based on Nelder-Mead Algorithm
CN105869209A (zh) 三维地质表面模型中的畸形三角形数据处理方法
CN113589369B (zh) 大型洞库群地震稳定性评估方法
CN105894580A (zh) 三维地质表面模型中的曲面延伸数据处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant