买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：昆明理工大学

摘要：本发明涉及一种结合LiCSBAS‑InSAR技术和神经网络算法的地面沉降监测与预测方法，公开了一种基于LiCSBAS‑InSAR技术的地表形变监测与预测方法，通过利用LiCSBAS‑InSAR技术和Sentinel‑1卫星数据，获取研究区域地表形变数据，采用GACOS大气校正技术优化数据处理，提高监测数据的准确性和可靠性。同时，本方法为了预测未来的地面沉降趋势，引入了基于遗传算法GA和粒子群优化PSO算法改进的CNN模型，并引入影响地面沉降的因素，如坡度与降雨量到预测模型中，通过模型数据集对CNN模型进行训练，调整模型超参数，获取最佳模型。本方法不仅提高了地面沉降监测的效率和精度，还能为灾害预防提供科学的数据支持和决策依据。

主权项：1.一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法，其特征在于：包括以下步骤：步骤1，收集数据：使用Sentinel-1A卫星的雷达影像数据作为主要输入源；确定主要影响地面沉降的因子，并采集处理相关数据，包括监测地区的坡度，降雨量；步骤2，在数据处理中采用GACOS大气校正技术对数据进行优化处理，以消除由大气层引起的潜在误差；步骤3，结合LiCSBAS-InSAR技术和GACOS大气校正产品，能够从预处理过的数据中提取地面沉降信息，并将地面形变信息与栅格的降雨量数据、坡度数据进行处理得到主要影响地面沉降因子数据集；步骤4，搭建CNN模型，将步骤3得到的降雨量和坡度因子数据集引入结合遗传算法，即GA和粒子群优化，即PSO算法改进的CNN神经网络，用于分析和处理地面沉降影响因素并预测未来沉降趋势的单元，通过遗传算法和粒子群优化算法进行参数优化CNN模型，具体为：GA算法优化的CNN模型为：将CNN模型的超参数，包括卷积层数、每层的卷积核数量、学习率与批次大小编码成染色体，然后随机生成一组初始种群，每个个体代表一种超参数组合，定义MSE作为适应度函数，验证模型在测试集上的性能，利用轮盘赌法选择较优的个体进行交配，并进行变异操作和交叉操作生成新一代种群，重复上述步骤，直至达到预定的迭代次数或满足停止条件，最终找到的最优超参数组合用于训练最终的CNN模型，并在测试集上进行评估；PSO算法优化的CNN模型为：将CNN模型的超参数表示为粒子的位置向量，随机生成一组粒子，初始化它们的位置和速度，定义MSE作为适应度函数，验证模型在测试集上的性能，然后记录每个粒子找到的最佳位置，即个体极值和整个粒子群的最佳位置，即全局极值，然后利用一下公式进行速度和位置更新vit+1＝vit+c1×rand×pbesti-xit+c2×rand×gbesti-xitxit+1＝xit+vit+1其中i＝1,2,…,N，N是此群中粒子的总数；vit是粒子i在当前迭代t的速度，vi的最大值为Vmax＞0，如果Vmax＝Vi；rand是介于0，1之间的随机数；xit为粒子i在当前迭代t的位置；c1和c2是学习因子，通c1＝c2＝2；计算每个粒子的新适应度值，并更新个体极值和全局极值，重复速度和位置更新，直至达到预定的迭代次数或满足停止条件；步骤5，通过数据集对CNN模型进行训练，调整模型的超参数，获取最佳的模型，通过数据集对CNN模型进行训练，调整模型的超参数，获取最佳的模型，具体为：将利用ArcGIS软件多值提取至点的工具将降雨量、坡度和地面形变数据与相关的经纬度相匹配的数据集划分为训练集、验证集和测试集，并使用ResNet网络结构构建CNN模型，选择Sigmoid作为激活函数，均方误差作为损失函数，将数据集输入CNN模型中，通过调整学习率、批量大小、卷积核大小、卷积层数和权重衰减超参数数据，并通过梯度下降更新网络的权重，获取最大的超参数组合获得更好的性能和泛化能力。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法