一种文物位移预测方法及装置与流程

本发明属于图像处理技术领域，更具体的涉及一种文物位移预测方法及装置。

背景技术：

位移是石质文物非常严重的病害。当今世界，文化遗产保护模式过渡从"抢救式"到"预防性"保护保护逐渐。所以，文物保护工作者需要对文物病害的发展及时掌握，因此，预测工作必不可少。但位移的发展是一个非常复杂的动态过程。

由于造成流离失所的文物的因素有很多，所以文物的位移数据具有非线性、复杂性和多式联运等特点，从而造成上述数据在位移预测中有许多困难。比如，若位移变形估计不足，轻则出现裂缝影响文物观瞻性和稳定性，重则会引发结构坍塌和严重人员伤亡事故。目前，针对文物预测位移变形的方法主要包括模型方法和智能分析方法，其中，模型方法主要是分析岩石和土壤之间的应力，从而建立位移和时间的关系，由于建立模型的方法采用有限元理论，从而导致在预测稳定性和精度方面都有很大限制；智能方向方法中，主要是利用人工神经网络、小波分析等方法对文物位移预测进行研究，从现有模型对文物位移的预测情况可以确定，上述预测模型大多数只适合中短期预测，而中长期的预测过程中，存在预测长度和预测精度都比较弱的问题。

综上所述，现有的文物位移预测存在可靠性差，且预测精度弱的问题。

技术实现要素：

本发明实施例提供一种文物位移预测方法及装置，用以解决现有的文物位移预测存在可靠性差，且预测精度弱的问题。

本发明实施例提供一种文物位移预测方法，包括：

对采集的文物位移时间序列进行滤波处理，通过所述滤波处理，确定所述位移时间序列的初始数值序列；

从所述初始数值序列中按照顺序依次获取相邻的至少n个数值，将所述n个数值按照顺序至少分为三组序列，且每组序列内至少包括相邻且不相同的n-2个数值，将所述三组序列通过等维递补滚动预测方法依次确定所述位移时间序列的初步预测序列向量；

通过归一化公式对所述初步预测序列向量进行处理，确定归一化初步预测序列向量；

通过所述归一化初步预测序列向量和rbf神经网络，确定所述位移时间序列对应的位移预测向量。

本发明实施例还提供一种文物位移预测装置，包括：

第一确定单元，用于对采集的文物位移时间序列进行滤波处理，通过所述滤波处理，确定所述位移时间序列的初始数值序列；

第二确定单元，用于从所述初始数值序列中按照顺序依次获取相邻的至少n个数值，将所述n个数值按照顺序至少分为三组序列，且每组序列内至少包括相邻且不相同的n-2个数值，将所述三组序列通过等维递补滚动预测方法依次确定所述位移时间序列的初步预测序列向量；

第三确定单元，用于通过归一化公式对所述初步预测序列向量进行处理，确定归一化初步预测序列向量；

第四确定单元，用于通过所述归一化初步预测序列向量和rbf神经网络，确定所述位移时间序列对应的位移预测向量。

在本发明实施例中，提供了一种文物位移预测方法，包括：对采集的文物位移时间序列进行滤波处理，通过所述滤波处理，确定所述位移时间序列的初始数值序列；从所述初始数值序列中按照顺序依次获取相邻的至少n个数值，将所述n个数值按照顺序至少分为三组序列，且每组序列内至少包括相邻且不相同的n-2个数值，将所述三组序列通过等维递补滚动预测方法依次确定所述位移时间序列的初步预测序列向量；通过归一化公式对所述初步预测序列向量进行处理，确定归一化初步预测序列向量；通过所述归一化初步预测序列向量和rbf神经网络，确定所述位移时间序列对应的位移预测向量。在本发明实施例中，对采集到的数据采用了平滑处理和过滤，有效的降低了噪声对原始位移时间序列的干扰，提供了预测方法的准确性；利用verhulst灰色模型通过采用等维递补滚动方法进行多次预测，可以利用较少的初始数值序列对位移数据的趋势进行预测；将初步预测结果结合rbf神经网络，发挥了rbf局部寻优的优势，提高预测方法的精度。采用本发明实施例提供的方法，可以解决现有的文物位移预测存在可靠性差，且预测精度弱的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供一种文物位移预测方法流程图；

图2为本发明实施例提供的一种文物位移预测装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种文物位移预测方法流程图，该方法可以应用到图像处理以及文物伤害预测技术领域。

如图1所示，本发明实施例提供的一种文物位移预测方法，主要包括以下步骤：

步骤101，对采集的文物位移时间序列进行滤波处理，通过所述滤波处理，确定所述位移时间序列的初始数值序列；

步骤102，从所述初始数值序列中按照顺序依次获取相邻的至少n个数值，将所述n个数值按照顺序至少分为三组序列，且每组序列内至少包括相邻且不相同的n-2个数值，将所述三组序列通过等维递补滚动预测方法依次确定所述位移时间序列的初步预测序列向量；

步骤103，通过归一化公式对所述初步预测序列向量进行处理，确定归一化初步预测序列向量；

步骤104，通过所述归一化初步预测序列向量和rbf神经网络，确定所述位移时间序列对应的位移预测向量。

需要说明的是，在本发明实施例中，主要结合唐顺陵2013-2014的位移历史监测数据，来具体介绍本发明实施例提供的文物位移预测方法。

其中，采集到的原始数据为：x＝{x1，x2,...x32}＝(404.19180，404.19180，404.19000，404.18870，404.18810，404.18720，404.18670，404.18690，404.19092，404.19120，404.19296，404.19312，404.19064，404.19020，404.18968，404.18956，404.19007，404.19025，404.18997，404.18997，404.18985，404.18947，404.18914，404.18874，404.19014，404.19172，404.19172，404.19125，404.19244，404.19199，404.19326，404.19119)。

在步骤101中，在实际应用中，由于种种原因导致原始采集到的数据在叠加时会存在噪声干扰，从而导致位移时间序列的特征信息往往被淹没在噪声之中。在本发明实施例中，为了能够还原真实的位移时间序列，需要对采集到的文物位移时间序列进行滤波处理，进一步的，在本发明实施例中，采用了五点三次平滑法对采集到的位移时间序列进行滤波去噪处理，具体地，通过下列公式(1)对采集到的位移时间序列进行滤波处理：

需要说明的是，在公式(1)中，x⁽⁰⁾(1)为位移时间序列中x中第一个元素通过滤波处理的表示式，x⁽⁰⁾(2)为位移时间序列中x中第二个元素通过滤波处理的表示式，x⁽⁰⁾(i)为位移时间序列中x中第i个元素，x⁽⁰⁾(m)为位移时间序列中x中第m个元素通过滤波处理的表示式，通过滤波处理的表示式，x1～x5为采集到的位移时间序列x的前五个元素，xi-2～xi+2为采集到的位移时间序列x中连续的五个元素，i＝3,4,...m-2。

进一步地，将上述公式(1)确定的多个通过滤波处理的表达式组合在一起，即可以得到位移时间序列的初始数值序列。

比如，位移时间序列的初始数值序列可以通过下列公式(2)表达：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...x⁽⁰⁾(i),...x⁽⁰⁾(m-1),x⁽⁰⁾(m))(2)

在介绍步骤102之前，先介绍本发明实施例涉及的专业术语：

(1)、verhulst模型是单变量二阶微分方程，用来拟合饱和型的数列，预测过程与gm(1,1)模型类似，特点是序列单调变化，但变化率逐渐减小趋近于0。

其中，verhulst模型的确定过程包括以下步骤：

首先设初始数值序列可以通过下列公式(3)表示：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(k),...,x⁽⁰⁾(n))(3)

其中，k＝1,2,…,n。

进一步地，建立上述初始数值序列依次累减(1-iago)序列，通过下列公式(4)表示：

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))(4)

其中，

设公式(5)为x⁽¹⁾的紧邻均值(mean)生成序列，

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))(5)

其中，z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)。

则可以通过下列公式(6)建立z⁽¹⁾的verhulst灰色模型的微分方程，具体地，公式(6)如下所示：

x⁽¹⁾(k)+az⁽¹⁾(k)＝b(z⁽¹⁾(k))²(6)

其中，a表示发展系数，b表示灰色系数，k＝1,2….,n。

进一步地，求解公式(6)所示的微分方程，得到以下公式(7)所示的verhulst模型的时间响应式：

其中，公式(7)中，为要预测的第k+1个时间序列，发展系数a和灰色系数b的值采用最小二乘法确定。

通过下列公式(8)确定：

其中，

(2)、等维递补滚动预测方法:

对于公式(3)所示的初始数值序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(k),...,x⁽⁰⁾(n))，此处假设n＝16，则可以确定初始数值序列的维度数为16，及可以采用x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(16)建立verhulst模型，预测出x⁽⁰⁾(17)；

然后采用x⁽⁰⁾(2),...,x⁽⁰⁾(17)预测x⁽⁰⁾(18)。

综述，在等维递补滚动预测方法中，若需要预测x⁽⁰⁾(i)数据，参加运算的是前x⁽⁰⁾(i-16),x⁽⁰⁾(i-15),...,x⁽⁰⁾(i-1)共16个序列数据。

需要说明的是，此处假设共16个序列数据，因此上述若需要预测x⁽⁰⁾(i)数据时，参加运算的是前x⁽⁰⁾(i-16),x⁽⁰⁾(i-15),...,x⁽⁰⁾(i-1)16个序列数据，而在实际应用中，对序列数据的具体数量不做限定，即参加运算的前多少个序列数据的具体数量也不做限定。

在步骤102中，在实际应用中，需要至少包括三组序列，且每组序列中至少需要包括5个数值，才能获取verhulst模型的时间响应式和进行等维递补滚动预测。即，在本发明实施例中，需要从确定的初始数值序列中，按照采集顺序排列的数据中，依次获取至少n个连续数值，进一步地，将这n个连续数值分成三组序列，其中，每组序列内至少包括相连且不相等的n-2个数值。

举例来说，在步骤101中通过公式(1)确定的初始数值序列中，获取第1位～第27位数值，将上述27位数值依次分为三组序列，且每组序列内包括相连且不相等的25个数值。

具体地，设将获取第1位～第27位数值分为以下三组序列：

x1⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(23))(9)

x2⁽⁰⁾＝(x⁽⁰⁾(3),x⁽⁰⁾(4),...,x⁽⁰⁾(25))(10)

x3⁽⁰⁾＝(x⁽⁰⁾(5),x⁽⁰⁾(6),...,x⁽⁰⁾(27))(11)

将上述三组序列通过等维递补滚动预测方法，即每预测一个位移值后，在获取到的27位数值后添加一个新数值，同时，将原来27位数值中的排在首位的数值删除，从而保持27位数值的长度不变，重新建立verhulst模型预测下一个值。

在本发明实施例中，由于采用第1位～第27位数值，则通过等维递补滚动预测方法，可以预测第26位～第28位数值，其中，第26位～第28位数值的预测结果可以通过下列公式表示：

其中，预测出三组第26位～第28位数值分别为：

在步骤103中，在实际应用中，在将步骤102中确定的初步预测序列向量通过rbf神经网络模拟训练之前，为了增强模拟预测的精度，需要将获取的初步预测序列向量经过归一化处理，具体地：

设x为verhulst的输出值，则min为其取值的最小值，max为其取值的最大值，通过下列公式(15)可以将位移数据归一化到【0.1，0.9】之间的数值：

通过公式(15)，可以确定归一化初步预测序列向量。

在步骤104中，将步骤104确定的归一化初步预测序列向量输入到rbf神经网络中进行学习训练。

需要说明的是，在将归一化初步预测序列向量输入到rbf神经网络之前，需要写根据蚁群聚类更准确定位rbf神经网络的基函数初始中心点。

具体地：蚁群聚类，蚂蚁在寻找食物源时，能在其走过的路上释放一种特殊的分泌物信息素，随着时间的推移该物质会逐渐挥发，蚂蚁选择该路径的概率与当时这条路径上信息素的强度成正比。当一条路径上通过的蚂蚁越来越多时，其留下的信息素也越来越多，后来蚂蚁选择该路径的概率也越高，从而更增加了该路径的信息素强度。而强度大的信息素会吸引更多的蚂蚁，从而形成一种正反馈机制。通过这种正反馈机制，蚂蚁最终可以发现最短路径。

在蚁群聚类算法中，先随机确定几个中心点，然后计算模式样本到聚类中心mj的欧式距离为d(i,j)(i＝1,2,…,n；j＝1,2,…,k)，启发式函数定义为

η(i,j)＝1/d(i,j)(16)

样本到聚类中心之间的信息素为τ(i,j)(i＝1,2,…,n；j＝1,2,…,k)，信息素积累在模式样本和聚类中心之间。在蚁群算法中，蚂蚁搜索整个模式样本所属的聚类中心的概率计算公式：

其中α，β为参数。蚂蚁随机选择一个模式样本作为起点，根据公式(17)计算该样本选择各个聚类中心的概率，根据概率确定所属的类。蚂蚁搜索整个模式样本空间，形成一个聚类结果后，聚类中心各分量的值为该类中模式样本的均值，计算公式为

当所有蚂蚁完成一次周游后，各路径上的信息素更新公式为：

其中δτ(i,j)为信息素的增量，lmb为最优聚类结果中各模式样本到其聚类中心的距离之和，q、ρ(0<ρ<1)为参数，1-ρ(0<ρ<1)表示信息素发挥程度。

衡量聚类算法取得聚类结果的目标函数为：

进一步地，确定中心点可以成为rbf神经网络预测的重要部分，如公式(21)所示：

其中，cj为基函数的中心点，σj为扩展常数。

在本发明实施例中，将归一化初步预测序列向量输入到rbf神经网络中，可以位移时间序列对应的位移预测向量。

举例来说，将verhulst模型的输出，且经过归一化处理的归一化初步预测序列向量进行拟合训练，可以得到位移预测向量：

举例来说，将上述预测出三组第26位～第28位数值经过归一化处理后得到输入到rbf神经网络进行学习训练，确定rbf网络的中心点和扩展常数，用梯度下降法训练得到权值，得到的拟合序列为在第6组至第28组的预测值如下所示：

综上所述，在本发明实施例中，对采集到的数据采用了平滑处理和过滤，有效的降低了噪声对原始位移时间序列的干扰，提供了预测方法的准确性；利用verhulst灰色模型通过采用等维递补滚动方法进行多次预测，可以利用较少的初始数值序列对位移数据的趋势进行预测；将初步预测结果结合rbf神经网络，发挥了rbf局部寻优的优势，提高预测方法的精度。采用本发明实施例提供的方法，可以解决现有的文物位移预测存在可靠性差，且预测精度弱的问题。

基于同一发明构思，本发明实施例提供了一种文物位移预测装置，由于该装置解决技术问题的原理和一种文物位移预测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

图2为本发明实施例提供的一种文物位移预测装置结构示意图，具体地，如图2所示，该装置包括：第一确定单元21，第二确定单元22，第三确定单元23和第四确定单元24。

第一确定单元21，用于对采集的文物位移时间序列进行滤波处理，通过所述滤波处理，确定所述位移时间序列的初始数值序列；

第二确定单元22，用于从所述初始数值序列中按照顺序依次获取相邻的至少n个数值，将所述n个数值按照顺序至少分为三组序列，且每组序列内至少包括相邻且不相同的n-2个数值，将所述三组序列通过等维递补滚动预测方法依次确定所述位移时间序列的初步预测序列向量；

第三确定单元23，用于通过归一化公式对所述初步预测序列向量进行处理，确定归一化初步预测序列向量；

第四确定单元24，用于通过所述归一化初步预测序列向量和rbf神经网络，确定所述位移时间序列对应的位移预测向量。

应当理解，以上一种文物位移预测装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种文物位移预测装置所实现的功能与上述实施例提供的一种文物位移预测方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例一中已做详细描述，此处不再详细描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。