(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110170373.3 (22)申请日 2021.02.08 (65)同一申请的已公布的文献号 申请公布号 CN 112883641 A (43)申请公布日 2021.06.01 (73)专利权人 合肥工业大 学智能制造技 术研究 院 地址 230051 安徽省合肥市包河区花园大 道8号 专利权人 合肥星北航测信息科技有限公司 　 机械工业勘察设计 研究院有限公 司 (72)发明人 夏娜　王聪　于永堂　罗辉　胡迪　 申逸骋　张继文　吴成　吴振昊　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 50/08(2012.01) (56)对比文件 CN 1049516 64 A,2015.09.3 0 CN 110160495 A,2019.08.23 US 2018240 018 A1,2018.08.23 KR 20200087339 A,2020.07.21 曹净等.基 于PSO-LSSVM模型的基坑周边建 筑倾斜预测. 《计算机 工程与应用》 .2016,第52卷 (第01期), 李万庆等.基 于BSA-ELM模型的建筑工程施 工成本预测研究. 《数 学的实践与认识》 .2019, (第23期), 赵鹏等.分区 回归模型在建筑倾 斜预测中的 应用. 《北京测绘》 .2020,第34卷(第7期),第96 6- 969页. Zhihua Xu等.Extracti on of dama ged building"s geometric features from multi- source po int clouds. 《2014 IE EE Geoscience and Remote Sensi ng Symposium》 .2014,第 4764-4767页. 审查员 汪盈盈 (54)发明名称 一种基于优化ELM算法的高大建筑倾斜预警 方法 (57)摘要 本发明公开了一种基于优化ELM算法的高大 建筑倾斜预警方法， 其步骤包括： 1建立高大建筑 倾斜物理模型； 2采用ELM算法预测高大建筑物的 倾斜度； 3群智能算 法优化ELM算 法参数； 4基于算 法预测结果判定高大建筑倾斜风险。 本发明根据 以往的数据去预测未来的数据情况， 从而实现高 大建筑的倾斜预警。 权利要求书2页 说明书4页 附图1页 CN 112883641 B 2022.08.05 CN 112883641 B 1.一种基于优化ELM算法的高大建筑倾 斜预警方法， 其特 征是按如下步骤进行： 步骤1： 利用式(1)建立高大建筑倾 斜物理模型Y： 式(1)中， J表示样本总数； Cu为温度时间样本的相关系数； e0表示常数项， Zu表示第u个 温度时间样本， 并有： Z＝(Tj～j‑r,Tj‑r～j‑3r,...,Tj‑pr～j‑qr, θ,lnθ )    (2) 式(2)中， j表示当前日期， r为 天数间隔， p,q为正整 数， Tj‑pr～j‑qr是指观测日前qr到pr天 的平均气温， θ表示时间， Q为选取的时间长度， 令 t是观测日期的时间， t0是初始日 期的时间； 定义时刻j 输入的温度时间样本数据为xj＝[Z1,Z2,...,Zu,..,ZJ]T， 令oj＝xj+1， oj为j+1 时刻输入的温度时间样本， 并由(xj,oj)组成j时刻倾斜样本， 从而建立训练样 本集X＝{(xj, oj)|j＝1,2, …,k}， 其中， k 为训练样本集的个数； 步骤2： 利用式(3)建立ELM算法模型， 并使用训练样本集X进行训练， 得到输出权值向量 矩阵β； 式(3)中， f()表示径向基函数； L为隐含层节点个数； αi表示输入权值矩 阵， αi＝[αi1, αi2,..., αin,..., αiN]T， αin为隐含层第i个神经元与输入层第n个神经元之间的连接权值， bi 为隐含层第i个神经元的偏差； βi表示输出权值矩阵， 且βi＝[βi1, βi2,..., βin,..., βiN]T， βin 隐含层第i个神经元与输出层第n个神经元之间的连接权值； 并有： β ＝[β1 β2  … βi  … βL ]T； 利用式(4)对式(3)进行求 解， 得到输出权值向量矩阵β： β ＝(HTH)‑1HTO    (4) 式(4)中， O为输出的预测温度时间样本矩阵， 且O＝[o1 o2  … oj  … ok]T； H表示神经元 矩阵； 步骤3： 使用群智能算法优化ELM算法模型中的参数αi和bi， 从而得到最优参数α ′i和b′i； 令群智能算法的搜索空间为D维， 个体总数为k ′， 第i个个体在N+1维空间的位置为hi＝ ( αi1, αi2,..., αiN,bi)， 第i个个体的飞行速度 为vi， 通过对每个个体的速度和位置进行不断 的更新迭代来 感知个体最好位置pi和当前位置hi， 从而得到群体的全局最好位置pb， 提取全 局最好位置pb的坐标即为 最优参数α ′i和b′i； 步骤4： 基于群智能算法预测结果判定高大建筑倾 斜风险； 采集当前t时刻温度时间样本xt并利用式(5)预测t+1时刻温度时间样本 式(5)中， ot表示t+1时刻温度时间样本， 并代入式(1)中得到t+1时刻高大建筑倾斜角的 预测值 将预测值 与建筑物倾斜度安全阈值YTH进行比较， 若超出安全阈值， 则启动权　利　要　求　书 1/2 页 2 CN 112883641 B 2报警机制； 否则继续 监控。权　利　要　求　书 2/2 页 3 CN 112883641 B 3