Page 56 - 测绘新技术的理论与实践研究

测绘新技术的理论与实践研究

粗差问题，同时处理测量场景中存在的观测不足、参数具备先验信息等情况，满

足不同测量场景的数据处理需求。基于高斯 - 马尔可夫模型和最小二乘估计方法，
发展了一系列新的理论和方法。
2. 智能化测量数据处理
传统以代数为主的平差理论和方法不能适用于复杂场景中的动态数据处理。

为应对动态测量大数据处理的新要求，新的研究热点是进一步将概率统计学、优
化理论与测量数据处理融合为一体，吸收融合计算机视觉和机器学习领域的众多

方法和技术，进行测量数据的智能化分析。
在几何要素处理上，普遍采用贝叶斯框架下的概率模型融合多源测量数据，
通过最大化参数在观测条件下的后验概率获得几何测量参数。与经典最小二乘估

计模型对比，贝叶斯理论提供描述概率和不确定性更精确的语言，概率密度分布
不限于高斯分布，涵盖了经典最小二乘估计，是一个更完善、更普适的处理方法。

为求解动态观测下的此类模型，通常采用扩展卡尔曼滤波、粒子滤波等贝叶斯滤
波方法。如果不需要动态求解或者本身为静态问题，还可以用如图优化、蒙特卡

洛马尔可夫采样等最优化方法进行解算。

在属性要素处理上，采用机器学习方法，包括支持向量机、随机森林、K-
近邻算法等监督学习方法和 K- 均值聚类等非监督学习方法，这些经典机器学习

方法一般都使用人工设计的特征，它们被用于点云和图像语义信息理解和目标属
性提取。近几年，可以自动学习特征的深度学习方法得到快速发展。深度学习方
法通过大量样本训练，对特征表达进行自动学习，学习到的特征由大量参数组成，

具备很强的属性描述能力，因此被逐渐用于测量数据的属性要素处理中。
（三）智能化监测应用
传统意义上测量工作的输出就是传感器输出的数据，但在基础设施运维检测
中，测量的目的并不仅仅是为了获得数据，而是为了了解基础设施状态并对其是

否异常进行评估，即需要从测量数据得到知识并利用知识辅助决策，这也是智能
化应用的要求。公路、铁路、桥梁、隧道、大坝、城市管网等基础设施在运营过

程中，由于外界环境、材料性能、施工工艺等原因会发生各自病害，影响其正常
服务能力并威胁到运行安全，基础设施检测需要得到检测数据结果所对应的设施
状态并按照行业规范和标准进行评定。

44