基于地铁点云数据调线调坡的深度学习研究.pdfVIP

基于地铁点云数据调线调坡的深度学习研究 摘 要 已建成的隧道与原始的设计隧道之间的偏差信息对于地铁线路的安全调整 非常重要。然而，目前还没有明确的数学公式能够准确地描述和度量这个偏差。 目前主流的做法是通过人工测量具有相同间隔的截面的侵限值，并对这些侵限值 进行累加求和，最终得到该偏差。这种方式存在几个缺点，比如耗时、误差大、 成本高等。为了解决这些问题，本文提出了两种新颖的基于深度神经网络的偏差 表示方法，其能够基于点云大数据学习到设计线路的参数与侵限值之间的内在联 系，进而预测出能够使得侵限值的和最小的参数，这些参数可以被用来辅助地铁 线路的安全调整。 方案一将传统神经网络学习模型应用于地铁调线调坡优化问题。用一个一维 的向量表示设计线路中的平、纵断面参数，此向量可以确定一条设计线路，然后 结合点云大数据，便可计算出这条设计线路的侵限值。按照设计规范要求对一维 向量中的任一分量进行扰动，可以形成多组包含侵限值的设计线路参数的数据集。 用此数据集训练神经网络，使网络学习设计线路与隧道偏差间的函数关系，以获 取最优的调线调坡方案。实验显示，方案一的最终结果明显要优于传统的人工调 整，但神经网络在训练过程中需要耗费大量的时间，无法做到实时的反馈，于是， 本文进一步提出采用随机赋权神经网络的方式优化地铁调线调坡方案。随机赋权 神经网络采用非迭代式求伪逆的权值更新方法，大大减少了网络的训练时间，为 实时优化地铁线路提供解决方案。 最后，在一个采集于实际地铁工程中的数据集上的实验结果表明我们提出的 方法能快速地计算出合适的调线调坡方案，并且只需要很少的计算机内存资源。 关键词： 实际隧道；理论隧道；偏差；点云大数据；深度学习 II Research On Deep Learning Based on Point Cloud Data of Metro for Line and Slope Fine- Tuning Abstract The deviation information between the completed tunnel and the originally designed tunnel is very important for the safety adjustment of metro lines. However, there is no clear mathematical formula that can be used to accurately describe and measure the deviation. At present, the mainstream approach is to measure the invasion value of each section with the same interval manually and then sum up these values to get the deviation. This method has several disadvantages, such as time-consuming, large error and high cost. To solve these problems, this paper proposes two novel deviation representation methods based on the deep neural network, which can learn the internal relationship between the parameters of the designed tunnel and the invasion values based on the point cloud data, and then predict the parameters that can make the sum of the invasion values minimum. Thes