|
回复:(ISMEC)[转帖]变形体的运动描述——针对于几何...
摘 要:根据变形观测的位移矢量,识别变形体及其运动模式,是变形分析的一项 <BR>重要内容。以往的作法是根据矢量作图人工判断变形块体,然后选择适当的模式进行拟 <BR>合。本文提出了一种在点位邻接拓扑关系加其他先验信息构成约束的识别思想及相应算 <BR>法,从而可实现变形模式的自动识别。最后的算例说明了该算法的实现过程,有效性及 <BR>潜在意义。 <BR> 关键词:变形模式;位移矢量相似度;拓扑约束矩阵;约束聚类 <BR>Model Recognizing of Deformation Object under <BR>Constraints of Topological Relationships <BR>JIANG Zheng, ZHANG Zheng-lu <BR>(Wuhan Technical University Of Surveying and Mapping,Wuhan,Hubei,430079) <BR>Abstract:Recognizing the moving blocks and their movement models of deforma <BR>tion object is an important content in deformation analysis. The traditional <BR>method of the deformation model recognizing is to draw the moving vectors o <BR>f the observed points, so that to judge the moving blocks artificially,and t <BR>o select suitable movement models. This paper introduces a new idea of recog <BR>nizing the deformation models and corresponding algorithm, which is based on <BR>constraints of topological relationships and other priori information. And <BR>the model recognizing can be automatically accomplished by the new method. F <BR>inally, an example is given successfully. <BR>Key words:deformation pattern;similarity of deformation vectors;topologic <BR>al constraining matrix;classification algorithm under constraint <BR>1 引 言 <BR> 根据点的位移矢量来识别变形块体及其运动模式,无论在全球板块运动监测还是在 <BR>局部地壳形变监测中,都具有重要的意义。在地壳形变分析中,当存在未知断层,或者 <BR>已知断层的确切位置不知道而需要用观测资料检验板块划分,或者需要确定有限单元分 <BR>析的边界条件等情况时,一般都是根据位移矢量推断板块的范围与运动模式。 <BR> 如果变形块体(或板块)的相对移动量较大,而且是刚性平移,一般可以通过作图 <BR>来分析,即根据位移矢量的不一致性来判断不连续带。但这种人为的判断具有较大的模 <BR>糊性,一是难以用数量来衡量这种判断的准确程度;另一方面,如果位移矢量是3维的, <BR>或者变形体的运动模式很复杂,就很难进行人工判断。 <BR> 这使我们联想到用聚类分析的方法根据位移矢量的一致性对观测点进行分类,同一 <BR>类的点构成一个块体。但是,这可能会造成不连通的分类,即相隔很远的点被归入同一 <BR>个块体,或者一个块体内部的某一点属于另一个块体。这种纯统计上的识别结果可能造 <BR>成物理上的矛盾。因此,要达到合理的分类就必须兼顾位移的相似性,几何上的连通性 <BR>,以及其他先验信息。如何兼顾几何上的连通性,雷钦礼(1996年)用地域约束聚类分 <BR>析法进行了经济地理的指标分类[2]。本文提出根据邻接拓扑关系及其他先验信息构成 <BR>拓扑约束矩阵进行平移模式识别的思想,建立了新的位移矢量相似度量度指标,并给出 <BR>了完善的算法。对于带有仿射变形模式的变形块体的识别,提出了以拟合模式方差作为 <BR>相似度指标的约束聚类识别方法,并给出了具体的算法。 <BR> <BR>2 块体平移模式的识别 <BR> 如果块体是平移运动,那么同一块体上点的位移矢量应是相同的。由于观测误差的 <BR>影响,根据两期观测值平差所计算的位移矢量会偏离其真值,若把位移矢量看成3维空间 <BR>上的点,则同一块体上的点的位移矢量将会围绕其真值变化,这是用聚类分析法识别平 <BR>移模式的前提。由于位移的真值是未知的,因此不能用位移矢量与真值的偏差来作为观 <BR>测点是否位于同一平移块体的判据,应采用本文所定义的位移矢量的相似度作为判据。 <BR><BR>2.1 位移矢量的相似度 <BR> 设变形监测网是2维网,其网点坐标为(xi,yi),i=1,2,…,n。由某两期观测 <BR>值平差所计算网点的坐标位移分别为(dxi,dyi)。在聚类分析中,一般采用距离函数 <BR>与相关系数作为相似度指标。由于位移矢量的分量较少,以距离函数作为位移矢量相似 <BR>度指标更合适一些。衡量监测网任意两点位移矢量相似度常用的距离函数有以下几种。 <BR><BR>2.1.1 欧氏(Euclid)距离 <BR> (1) <BR>2.1.2 马尔柯夫(Marlkoff)距离 <BR> (2) <BR>其中,是dXij的协方差阵。 <BR>2.1.3 闵可夫斯基(Minkowski)距离 <BR> (3) <BR> 如果位移矢量的协方差矩阵是未知的,可以采用欧几里得或闵可夫斯基距离;如果 <BR>已知位移矢量的协方差矩阵,可采用马尔柯夫距离。 <BR> 多于两个点如K个点所构成点组的位移矢量整体相似度,当位移矢量的协方差矩阵未 <BR>知时,可采用传统聚类分析法求点集中任两点的距离,以最大距离作为整体相似度指标 <BR>[2]。如果协方差矩阵已知,则用这K个点的位移矢量作为观测值,根据其协方差阵平 <BR>差计算这K个点的“平均位移矢量”,平差的验后单位权方差反映了各点的位移矢量与“ <BR>平均位移矢量”的整体偏差情况,可以作为衡量这K个点的位移矢量相似度的指标。 <BR>2.2 地域邻接性表达 <BR> 为得到具有连通性的聚类结果,在此定义一个描述监测点邻接拓扑关系的拓扑约束 <BR>矩阵B <BR>B={bij}n×n (4) <BR>其中 <BR> 如图1所示,这5个点的拓扑约束矩阵为 <BR> (5) <BR>图1 监测点分布 <BR>Fig.1 The distribution of monitoring points <BR> 拓扑约束矩阵还可以顾及先验信息。例如已知某一块体与其某一邻接区域是分离的 <BR>,即断层线位置已知,则这种先验信息应在拓扑约束矩阵中表达出来,尽管跨断层的两 <BR>点i,j相邻,但bij的值赋零。如图2所示,其拓扑约束矩阵在兼顾断层信息与点位邻接关 <BR>系时为 <BR> (6) <BR>图2 监测点与已知断层 <BR>Fig.2 Monitor points and known fault <BR>2.3 平移模式识别的约束聚类算法 <BR>2.3.1 计算位移矢量距离矩阵 <BR> 在2.1中已述及可以用距离函数来衡量两个点位移矢量的相似程度。设dij是i, j两 <BR>点的位移矢量距离,显然dij越小,它们的相似度就越大。对于一个有几个点的测网,可 <BR>组成一个n阶距离矩阵,不难看出它是一个对角元素为零的对称方阵 <BR> (7) <BR>2.3.2 构造拓扑约束矩阵 <BR> 拓扑约束矩阵的构造如2.2所述。对于一个有n个点的监测网,其拓扑约束矩阵B是 <BR>一个如式(4)的对称方阵。 <BR>2.3.3 搜索约束聚类对 <BR> 聚类原则是寻找位移矢量的距离最短而又邻接的点作为一类,因此可根据距离矩阵 <BR>D与拓扑约束矩阵B来搜索。通过搜索,若l,m两点满足 <BR>dlm=?min{dij|i≠j,bij=1,i,j=1,2,…,n} (8) <BR>则l, m两点可归入同一个块体。 <BR>2.3.4 改造距离矩阵与拓扑约束矩阵 <BR> l,m两点聚到一起后,可将它作为一点对待,用(l, m)表示,它与其他点的距离按 <BR>下式计算 <BR>d(l,m),i=min{dli,dm,i} (9) <BR> 这样,原n阶距离矩阵Dn×n变为n-1阶的距离矩阵D(n-1)×(n-1)。 <BR> 约束矩阵B也应降一阶。l,m中只要其中一个与某一点是邻接的,(l,m)仍应与该 <BR>点邻接,按照这一原则,即有 <BR>b(l,m),i=max{blj,bmi} (10) <BR>从而将Bn×n化为。 <BR> 经过上述聚类后,块体变为1,2,…,l-1,(l,m),l+1,…,m-1,m+1,…,n共n <BR>-1个块体。(n-1)×(n-1)与描述了“新块体”的位移相似性及拓扑约束关系。 <BR> 根据新的距离矩阵与拓扑约束矩阵,重复2.3.2,2.3.3步骤,直到将所有点聚为一 <BR>类。对于如图2所示的网点,可得到一个如图3所示的变形模式分类树。选取不同的距离 <BR>阈值,可以得到不同的聚类集,如图3,若选d2,5为阈值,则聚类集为 <BR>图3 模式分类树 <BR>Fig.3 Classification tree of models <BR> (1,3,4),(2,5) <BR> 若选d(1,3),4为阈值,则聚类集为 <BR> (1,3,4),2,5 <BR> |
|