(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211060219.1 (22)申请日 2022.08.31 (71)申请人 中国人民解 放军海军大连舰艇学院 地址 116018 辽宁省大连市中山区解 放路 667号 (72)发明人 贾帅东　张立华　董箭　唐露露　 (74)专利代理 机构 大连理工大 学专利中心 21200 专利代理师 梅洪玉 (51)Int.Cl. G06T 17/00(2006.01) G06T 7/70(2017.01) G06V 10/774(2022.01) G06V 10/72(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06N 3/12(2006.01) G06T 5/20(2006.01) G01C 13/00(2006.01) (54)发明名称 顾及数据三维分布特征的航渡式测深数据 异常值探测方法 (57)摘要 本发明提出一种顾及数据三维分布特征的 航渡式测深数据异常值探测方法， 属于海洋测绘 技术领域。 本发 明不仅能够完成众源测深数据的 异常值空间探测工作； 还通过三维空间中的点间 距离关系来探测异常水深点， 克服现有基于测线 的异常值探测方法在探测过程中无法探测位置 异常水深点和顾及周围测线上的水深数据的不 足。 已有实验表明， 本发明所述方法能够在自适 应调优算法参数后， 自动探测航渡式测深数据的 异常值。 权利要求书2页 说明书5页 附图1页 CN 115409942 A 2022.11.29 CN 115409942 A 1.一种顾及数据三维分布特征的航渡式测深数据异常值探测方法， 其特征在于， 该方 法包括以下步骤： a、 输入航渡式测深数据的空间离 散点数据集R； b、 从数据集R中提取一个离 散点ri， i＝1,2,…n； c、 计算离散点ri到数据集R中其余各离散点rj的水平距离DistHi,j和垂直距离DistVi,j； 其中j＝1,2, …,n； j≠i； d、 统计满足DistHi,j≤EpsH且DistVi,j≤EpsV的离散点rj的个数， 记为SumPtsi； 其中 EpsH、 EpsV分别为水平 距离阈值和垂直距离阈值； e、 若SumPtsi≥MinPts， 则标记离散点ri为核心点； 其中MinPts表示邻域内点位最小数 目； f、 循环遍历数据集R中的所有离散点， 重复步骤b～e， 对其中符合步骤e中条件的离散 点进行标记， 从而将数据集R划分为核心点数据集R ′与非核心点数据集R ″； g、 从非核心点数据集R ″中提取一个离 散点ru″； h、 计算离散点ru″到核心点数据集R ′中各离散点rv′的水平距离DistHu,v和垂直距离 DistVu,v； i、 若存在DistHu,v≤EpsH且DistVu,v≤EpsV的点位， 则标记该离散点ru″为边界点， 反之 则标记离 散点ru″为噪声点； j、 提取出R″中的所有噪声点， 这些点 位即为众源测深数据的异常值 点位。 2.根据权利要 求1所述的方法， 其特征在于， 所述步骤c中， 计算离散点ri到数据集R中其 余各离散点rj的水平距离DistHi,j和垂直距离Dist Vi,j的方法为： DistVi,j＝|zi‑zj| 其中， (xi,yi,zi)为离散点ri的坐标， (xj,yj,zj)为离散点rj的坐标。 3.根据权利要求1或2所述的方法， 其特征在于， 所述步骤d中， EpsH、 EpsV的取值方法 为： 首先， 分别 统计水平距离DistHi,j和垂直距离DistVi,j列表的均值μH、 μV以及标准差σH、 σV， 进而确定阈值EpsH、 EpsV的取值范围分别为[ μH‑σH, μH+2σH]、 [ μV‑σV, μV+2σV]， 最后由遗传 算法寻找最优阈值； 其中， 遗传算法的自适应交叉概 率Pc和变异概 率Pm， 计算公式为： 式中， Fit ′max是交叉操作选中的2条染色体的较大适应度值， 即Fit ′max＝max{Fit1, Fit2}； Fitmax是每代种群里染色体适应度值的最大值； Fitavg是种群中染色体适应度值的平 均值； Fit ′是变异操作选中染色体的适应度值； 常数k1,k2∈[0.5,1]， k3,k4∈[0,0.1]；权　利　要　求　书 1/2 页 2 CN 115409942 A 2遗传算法的适应度函数S SC， 根据需要设计为： 式中， n表示数据集R中所有离散点的个数， k表示该数据集聚类后的异常值个数； a(m, h)为簇内不相似度， 计算数据集R中第h簇的第m个离散点到所在簇中的其他离散点的平均 距离； nh表示第h簇内 的离散点个数； b(m,h)为簇间不相似度， 计算数据集R中第h簇的第m个 离散点到其他簇的离散点的平均距离； t与h分别表示不同的簇， T表示总簇数； nt表示第t簇 内的离散点个数； 与 分别表示第h簇的第m个离散点的空间坐标与第q个离散点的空间 坐标； 表示第t簇的第p个离散点的空间坐标； || ·||表示两个离散点间的距离； SSC∈[ ‑ 1,1]且该值越接 近于1， 说明分类越合理。 4.根据权利要求1或2所述的方法， 其特征在于， 所述步骤e中， MinPts的取值方法为： 首 先， 设定初始邻域内点位最小数目MinPts0为4， 再结合现有滤波方法中设定的滤波数目5， 得到邻域内点 位最小数目的取值范围为[3,6]， 最后由遗传算法寻找最优Mi nPts值。 5.根据权利要求3所述的方法， 其特征在于， 所述步骤e中， MinPts的取值方法为： 首先， 设定初始邻域内点位最小数目MinPt s0为4， 再结合现有滤波方法中设定的滤波数目5， 得到 邻域内点 位最小数目的取值范围为[3,6]， 最后由遗传算法寻找最优Mi nPts值。权　利　要　求　书 2/2 页 3 CN 115409942 A 3