基于混合算法优化预测模型的地基合成孔径雷达变形预警方法

《Remote Sensing》：A GB-RAR Deformation Early Warning Method Based on a Hybrid Algorithm for Optimizing Prediction Models

　　

为应对超高层建筑地基合成孔径雷达（GB-RAR）监测中的关键挑战——即复杂噪声干扰（瞬态脉冲扰动耦合高频随机波动）、正常风致振动与危险变形的识别困难，以及单一算法预测模型易过早收敛等问题，研究人员以武汉绿地中心为案例研究，提出了一种融合状态评估与变形预警的监测数据处理流程。该流程设计了一种结合中位数绝对偏差（MAD）异常值剔除与Savitzky-Golay滤波的去噪方法用于预处理，并通过信噪比分析进行定量验证。基于滤波后的数据，建立了时空轨迹模型以可视化评估建筑运动状态。此外，研究人员将PSO-GA-BP变形预测模型与自适应滑动窗口阈值及有限状态预警决策相耦合，发展了面向GB-RAR的残差驱动预警框架。仿真结果表明，PSO-GA-BP模型在预测精度方面优于其他神经网络模型，所推导的预警系统展现出较强的可行性与敏感性。该工作流程适用于超高层建筑GB-RAR变形监测，为未来研究提供了有价值的参考。

近年来，超高层建筑的持续涌现使其变形安全问题日益突出，建立有效的监测预警系统对获取精确变形数据、实时评估结构行为及保障建筑与人员安全至关重要。传统监测技术如大地测量、全球导航卫星系统（GNSS）及摄影测量在大规模连续应用中存在固有局限，而地基合成孔径雷达（GB-RAR）技术自1999年首次应用于大坝监测以来，已在滑坡、冰川及大坝等领域展现出优异的精度与可靠性。然而，超高层建筑固有的不稳定性要求监测不仅需要高精度传感进行当前状态评估，更需要可靠的预警平台主动识别潜在安全隐患。现有研究在风险阈值主观性、系统结构复杂性等方面仍存在不足，且针对GB-RAR高频监测数据的优化处理与预警框架尚不成熟。

为填补上述研究空白，研究人员以武汉绿地中心为研究对象，采用IBIS-S远程监测系统开展连续高精度变形监测。针对噪声干扰、结构评估与风险预警三大挑战，研究提出了一种融合运动可视化与神经网络预警模拟的综合方法体系。在数据预处理环节，采用中位数绝对偏差（MAD）与Savitzky-Golay（SG）滤波相结合的混合去噪技术；在预测建模环节，开发了粒子群优化-遗传算法-反向传播（PSO-GA-BP）神经网络模型，通过混合元启发式算法协同优化网络初始权重与阈值。其中，粒子群优化（PSO）基于个体与全局最优信息引导候选解向高适应度区域收敛，遗传算法（GA）的交叉与变异操作则在种群多样性下降时增强扰动与探索能力，从而降低过早收敛风险。

研究设备部署方面，研究人员在两个工作参考点S1和S2分别安装IBIS-S系统，沿南北和东西轴方向对武汉绿地中心进行雷达扫描。监测期间雷达以20 Hz高频模式运行，自2017年7月5日12:21至7月7日09:38，共计约45小时。基于雷达视向热信噪比，选取447 m高度的建筑最高点A和300 m高度的中点B作为代表性研究点，其热信噪比在东西方向分别为39.0 dB和62.2 dB，南北方向分别为37.4 dB和60.8 dB。同步在屋顶安装气象站监测温度、湿度、气压及风速等参数。

混合去噪策略的技术原理如下：MAD方法通过式(2)计算中位数绝对偏差，以2.5为阈值系数识别并剔除异常值，随后采用线性插值填补数据空白；SG滤波则通过式(4)-(5)进行局部最小二乘多项式拟合，在平滑数据的同时保留局部特征。两者协同可有效抑制瞬态脉冲扰动和高频随机噪声，同时最小化对真实变形趋势的过度扭曲。

PSO-GA-BP模型的构建采用"状态变量"和"动作变量"构成的特征体系：状态变量包括瞬时位移、变形速率（一阶时间差分）及变形加速度（二阶时间差分）；动作变量涵盖实时温度、大气湿度、风速及气压。网络结构采用tansig函数作为输入层至隐藏层的激活函数，purelin函数作为隐藏层至输出层的激活函数。PSO与GA的协作机制设计为嵌入式混合优化过程而非简单递进：PSO作为主体迭代框架更新候选权重和阈值，当种群多样性降至预设阈值时引入GA交叉变异操作以重组候选解、生成新搜索方向。参数配置方面，粒子种群规模为30，个体学习因子c₁和社会学习因子c₂分别设为1.5和2.5，惯性权重为0.4；GA交叉概率0.6，变异概率0.18，种群多样性阈值0.25。

预警平台的构建基于PSO-GA-BP模型的预测残差分析。研究采用自适应滑动窗口方法，通过快速傅里叶变换（FFT）识别主导频率动态调整窗口大小，窗口长度设为主周期的两倍并约束在5-10小时范围内，重叠率50%。动态残差阈值计算引入趋势因子f_trend、波动因子f_vol和稳定性因子f_stab三个自适应因子，通过式(25)-(28)实现多因素融合动态调整，阈值上限设为训练集残差标准差的5.0倍，下限为1.8倍。三态有限状态机（FSM）包含正常状态（0）、警戒状态（1）和报警状态（2），基于式(29)的超限比例进行状态跃迁：正常阈值0.15用于正常至警戒的转换，报警阈值0.30用于警戒至报警的转换。

研究通过五组半合成验证实验（A-E组）评估预警模型性能，每组重复50次并统计召回率（Recall）和准确率（Accuracy）指标。A组为实测数据对照组；B组分别叠加15 dB、10 dB和5 dB信噪比的高斯白噪声；C组在180、330和480分钟处叠加持续10分钟、幅度分别为3σ、4σ、5σ的高斯包络脉冲；D组从序列30%位置开始分别以0.02 mm/min、0.05 mm/min和0.10 mm/min的速率叠加线性趋势；E组同时叠加0.05 mm/min线性趋势、5σ脉冲扰动和10 dB高斯噪声的复合条件。

数据处理结果显示，经MAD-SG混合去噪后，447 m和300 m高度处各方向的信噪比（SNR）和降噪数据能量占比（ESN）均有显著提升。时空调度分析表明，建筑位移主要以监测起始时刻12:21为基准，在西南-东北方向周期性摆动，幅度基本在5 mm以内，447 m高度处位移离散度大于300 m高度处。PSO-GA-BP模型的预测结果在训练集和测试集上均表现出较高精度，与BP、GA-BP、PSO-BP及长短期记忆网络（LSTM）的对比实验表明，该模型在均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）三项指标上均表现最优。皮尔逊相关分析和时滞相关分析显示，温度与实测变形呈中度负相关（r = ?0.421），湿度呈中度正相关（r = 0.452），风速呈弱正相关（r = 0.260）；温度在滞后48分钟时达到最大相关（r = 0.464），风速在滞后约1分钟时达到最大相关（r = 0.261）。局部可解释模型无关解释（LIME）方法揭示了不同变形阶段的特征贡献差异：低变形阶段历史位移自相关主导，中变形阶段温度和湿度贡献增加，高变形阶段变形速率和气压成为主导因素。

预警模型敏感性测试结果如下：A组模型阈值稳定在0.7-2 mm，零误报；B组随信噪比降低阈值自适应上升，50次实验中仅1次误报；C组脉冲扰动触发瞬时残差激增但状态机保持正常，成功抑制所有误报；D组慢速变形（0.02 mm/min）于918指标处进入警戒状态、763分钟（累计位移7.42 mm）首次报警，中速变形（0.05 mm/min）于565分钟（19.96 mm）报警，快速变形（0.10 mm/min）于483分钟（27.20 mm）报警，报警时累计位移均远低于规范限值89.4 mm的40%；E组在多重干扰下准确识别真实变形趋势，于测试集第11分钟报警且零误报。

讨论部分指出，该框架将数据预处理、变形预测、残差分析、动态阈值和有限状态预警决策整合为连贯流程，特别适用于短期高频GB-RAR监测场景。相比传统侧重数据采集或位移描述的工作流程，其优势在于残差驱动的自适应预警机制能够有效区分瞬态扰动与持续变形趋势。研究同时指出当前验证基于约45小时的监测数据，主要捕获昼夜温度变化、风致振动等短期结构响应，未来需纳入覆盖季节温度变化、地基沉降演化及长期结构变形特征的更长时间序列以提升工程适用性和泛化能力，且应用于其他建筑时需基于现场监测数据进行参数校准和验证。

研究结论部分表明：（1）MAD与SG滤波相结合的混合去噪方法有效消除了GB-RAR数据中的粗差和噪声，基于去噪数据构建的时空轨迹图显示建筑位移主要在西南-东北方向摆动，幅度在±8 mm以内，整个监测期间建筑处于安全状态；（2）PSO-GA-BP时序预测模型通过联合优化BP神经网络，在当前监测条件下较BP、GA-BP、PSO-BP和LSTM模型预测结果更接近实测值，为超高层建筑非线性变形序列提供了稳定的预测性能；（3）基于PSO-GA-BP模型建立的自适应预警机制整合了自适应滑动窗口、多因素动态阈值和三态有限状态机，在稳态、噪声干扰、脉冲扰动、趋势变形和复合条件下的验证中表现出对瞬态扰动的强抵抗能力和对持续变形趋势的高敏感性，在当前实验条件下实现了稳定的预警性能和良好的鲁棒性与实用性。