基于遗传算法的RBF神经网络在GPS高程拟合中的应用

本文针对RBF神经网络中隐含层径向基中心值的确定,利用遗传算法对其进行优化,并应用于高程拟合的实验研究中。通过将遗传算法优化的RBF神经网络与K-均值优化的RBF神经网络及标准RBF神经网络进行高程拟合的误差对比分析表明:遗传算法优化的RBF神经网络提高了拟合的稳定度,改善了精度。     

基于RBF神经网络的GPS高程拟合方法的研究

GPS高程拟合一直是工程应用中的一个研究热点,其中神经网络拟合方法得到了广泛的应用。本文利用RBF神经网络模型进行GPS高程拟合实验,主要针对模型中隐含节点数和最佳SPREAD值的确定进行实验研究,并利用MATLAB神经网络工具箱实现了GPS高程拟合。同时,将RBF神经网络拟合结果与BP网络拟合结果进行对比分析,结果表明,RBF网络拟合效果要优于BP网络,得到的拟合精度要高。     

基于遗传算法优化BP神经网络的GNSS高程转换

针对大地高转换成正常高的高程转换问题,本文提出了遗传算法优化BP神经网络在GNSS高程转换中的方法,并利用某矿区观测站实测GNSS/水准数据,将遗传算法优化BP神经网络和曲面拟合进行比较,结果表明:在较大区域和高程异常呈不规则的情况下,遗传算法优化BP神经网络相比较曲面拟合可有效提高GNSS高程转换的精度。     

RBF神经网络在GPS高程拟合中的应用

通过对离散GPS／水准点观测数据进行拟合从而获得区域内任意一点的高程异常是工程实践中经常遇到的问题。利用RBF神经网络方法进行了GPS水准高程拟合实验,并将得到的高程异常结果与采用BP神经网络方法和二次曲面拟合法得到的结果进行了分析比较;通过3种方式的分析比较,证明利用RBF神经网络进行GPS高程拟合的可行性以及相比其...     

RBF神经网络在GPS高程拟合中的应用与精度分析

高程异常值的快速、准确获取是GPS高程数据得到应用的前提。本文提出一种基于RBF神经网络的GPS高程拟合方法,针对RBF基函数中心的确定以及网络模型参数的选择问题,采用K-means算法自适应的实现对RBF基函数中心的选择,在此基础上利用AIC准则完成对网络模型参数的自动寻优,最后采用实际数据对所提方法进行验证,并与传统BP神经网络拟合方法进行对比,实验结果表明所提方法可以获得更好的拟合精度。     

组合模型的GPS高程转换及精度分析

针对二次曲面模型在地形起伏较大区域用于GPS高程转换中存在较大的模型误差的问题,该文构建了二次曲面-RBF神经网络组合的GPS高程转换模型,组合模型中用二次曲面拟合高程异常中的中长波项,用RBF神经网络来泛化高程异常去除中长波后的残余项,并进行了二次曲面模型、RBF神经网络模型及二次曲面-RBF组合模型的实测数据GPS高程转换、比较分析与精度评定。实例结果表明:该组合模型比二次曲面模型的转换精度提高了22%,比RBF神经网络模型的转换精度提高了40%,该组合模型的转换方法可行、精度优于单一模型。     

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法. 在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性. 用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较. 结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求. 该方法在GPS高程拟合中具有可行性.      

GPS高程拟合方法研究

GPS测量获得的高程数据是以WGS-84椭球为基准的大地高,而工程中采用的是以似大地水准面为基准的正常高,两者之间存在高程异常。当前,主要采用GPS高程拟合求取高程异常值,而利用GPS高程拟合获得满足一定精度的正常高是测绘行业的研究热点之一。本文通过某测区GPS控制网数据与水准测量数据,采用多项式曲线拟合法、多面函数拟合法、二次曲面拟合法、RBF神经网络拟合法、二次曲面拟合法与RBF神经网络组合拟合法求取高程异常值。结果表明:1)单一拟合法的拟合精度低于组合拟合法拟合精度。2)依据内、外符合精度,本文采用的5种高程拟合方法均满足四等水准测量要求。因此,在精度允许的前提下,可借助GPS高程拟合方法代替传统水准测量,进行高程值的获取。研究成果对GPS高程拟合在实际工程中的应用具有重要参考价值。     

RBF神经网络组合模型在GPS高程拟合中的应用

针对函数模型和BP(back propagation)神经网络等常用GPS高程拟合方法模型单一、拟合精度不高的问题,本文在上述模型高程异常拟合的基础上使用RBF(radial basis function)神经网络对拟合残差值进行二次拟合,对高程异常拟合值进行残差改正以提高拟合精度。从内外符合精度、拟合残差大小分布等方面对组合模型和单一模型拟合结果进行对比,结果表明:组合模型的拟合精度相较于函数模型有显著提高,但对BP神经网络的拟合结果改善不明显。     

基于AIC准则的RBF神经网络在GPS高程拟合中的应用

本文采用AIC准则优化RBF神经网络参数的方法进行GPS高程拟合,在建立网络模型过程中,对不同的聚类半径由最近邻聚类法求出不同类别的聚类数目及相应的聚类中心和初始扩展常数,通过对不同类别分别进行调整扩展常数的网络训练,求出其最小AIC值,再根据AIC准则确定结构最优的RBF网络模型。实验结果表明:这种方法为确定最优RBF网络模型的隐节点数目及相应参数提供了途径;拟合精度较高,在较平坦测区可以替代三等水准测量。     

GAMIT/GLOBK在Linux系统下的安装与应用

GAMIT是国内外高精度GPS数据处理中通常采用的软件之一,多安装于Linux操作系统,本文主要介绍了GAMIT在Linux平台下的安装与使用,并通过算例来说明GLOBK进行网平差后所得到的坐标结果是可靠的。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

转换GPS高程的BP神经网络方法研究

对于目前大范围点位分布不均,拟合法高程转换存在效果失真、模型误差等问题,本文给出了改进的BP神经网络方法转换GPS高程为正常高的算法,并与曲面拟合方法比较分析。经实例验证,在较大范围内,用神经网络方法转换GPS高程优于二次曲面拟合方法,所获得的正常高可满足工程生产的精度要求,具有一定的实用价值。     

基于LM-BP神经网络的GPS高程拟合算法研究

提出了基于LM-BP神经网络方法转换的GPS高程拟合算法,并与传统拟合方法进行了比较。经实例验证,基于LM-BP神经网络的GPS高程拟合优于传统拟合方法,特别是在拟合点较少的大范围GPS拟合中显著改善了拟合高程的精度,具有一定的实用价值。     

线状工程GPS高程拟合方法研究

针对数学模型只适用于特定地形和神经网络模型易陷入局部最优解的特点,提出了最优加权算法,分别利用两种数学模型和两种神经网络模型进行线状工程GPS高程拟合,并将每种模型拟合效果好的单一算法组合成最优加权算法. 结果显示:多项式拟合法优于多面函数法,遗传模拟退火算法优化BP神经网络算法(GSA-BP)优于其他算法,为最优单一算法;加权算法比其单一成员算法精度分别提高17.7%、10.0%,且能基本满足四等水准测量要求,在线状工程GPS高程拟合中具有可行性.      

多项式曲面拟合和BP神经网络GPS高程拟合方法的比较研究

为了研究不同GPS高程拟合方法的拟合精度及差异性,选择二次多项式曲面拟合法和BP神经网络法进行比较研究.对已知数据进行分组,采用二次多项式曲面拟合法和BP神经网络法分别对各组数据进行处理、分析,计算精度指标,比较拟合点的分布、拟合点的数量和拟合方法对精度的影响.试验算例表明采用相同方法时拟合点的数量越多、分布越均匀拟合精度越高;在点的数量相同且较多,分布都相对均匀的前提下,BP神经网络法拟合的精度高于二次多项式曲面拟合法;在点的数量相同且较少,分布都相对均匀的前提下,BP神经网络法拟合的精度低于二次多项式曲面拟合法.     

基于高维云模型和RBF神经网络的遥感影像不确定性分类方法

云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。