智能优化算法在激光雷达数据插值中的应用研究

摘要

激光雷达监测数据对于研究大自然的演变规律和气候变化起着非常重要的作用，是预测和分析大气状况的宝贵资料。然而，现有激光雷达监测站点的布局不均衡，数量有限，且观测密度不够。因此，有必要研究如何利用有限的观测资源获得更加科学、有效、全面的实验数据。
　　作为一种有效的数据填充方案，数据插值在科学研究实验中取得了广泛的应用。由于激光雷达监测系统是一个复杂的非线性系统，激光雷达监测系统的输出与输入具有非常复杂的非线性关系。神经网络以其强大的处理非线性系统的能力而在插值预测中得到了广泛的应用，且能用于解决同时存在多个自变量和多个因变量的插值预测问题。然而，在求解时极易陷入局部极小，且收敛速度慢。同时，遗传算法(GA)，作为一种经典的智能优化算法，具有较好的全局搜索性。
　　针对以上问题，本研究采用了遗传算法优化的BP神经网络(GA-BP)对激光雷达监测数据进行插值。该模型将GA全局寻优和BP神经网络局部寻优的特点结合起来，解决了BP神经网络易于陷入极小值的问题，极大提高了BP网络的计算精度。仿真结果表明:GA-BP插值算法降低了平均误差，其插值精度也高于BP神经网络插值、线性插值，很适合运用在激光雷达数据插值中。

目录

声明

摘要

1 绪论

1．1 课题的研究背景及意义

1．2 激光雷达数据插值算法的国内外研究概况

1．3 课题的研究方法和思路

1．4 课题的主要研究工作

1．5 论文的章节安排

1．6 本章小结

2 激光雷达监测数据插值问题概述

2．1 激光雷达信号的探测原理

2．2 激光雷达数据特点分析

2．2．1 激光雷达数据的特点

2．2．2 激光雷达数据量的大小

2．2．3 激光雷达监测数据的实时性要求

2．3 插值问题概述

2．4 激光雷达数据插值的必要性

2．5 激光雷达数据插值

2．6 本章小结

3 GA-BP插值模型

3．1 激光雷达监测数据预处理

3．2 GA-BP插值模型

3．2．1 人工神经网络概述

3．2．2 GA概述

3．2．3 GA-BP插值模型

3．3 激光雷达插值数据修正

3．4 本章小结

4 激光雷达数据插值算法实现

4．1 实验环境和实验目的

4．1．1 实验环境

4．1．2 实验目的

4．2 实验程序核心代码

4．2．1 线性插值算法实现

4．2．2 BP插值算法实现

4．2．3 GA-BP插值算法实现

4．3 实验数据

4．4 实验结果分析

4．5 本章小结

5 总结与展望

5．1 总结

5．2 展望

致谢

参考文献

附录 在校期间参与项目成果及获奖