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。     

基于不同激活函数ELM的无人机实测数据高程拟合算法

为找出无人机实测数据高程转换拟合的方法,本文基于不同激活函数激活极限学习机模型得到ELMS、ELMR、ELMH3种模型,并将计算结果与广义回归神经网络模型和BP神经网络模型对比,结果表明:基于5种模型可对无人机实测高程数据的异常点进行筛选并剔除,3种ELM模型对于高程点的筛选结果基本一致,共筛选出了21个高程异常点,GRNN模型精度次之,BP神经网络模型精度最低,ELM模型在不同激活函数下的计算精度有所不同,其中ELMS模型在高程点剔除和高程数据拟合中精度最高,RMSE仅为0.157m,而Ens和R2分别达到了0.944和0.968,可为无人机实测数据高程转换拟合的标准模型使用。     

用地球位模型和BP神经网络转换GPS高程

研究了转换GPS高程的地球位模型和BP神经网络的拟合方法.用已知GPS水准点的高程异常移去地球位模型高程异常,然后对剩余高程异常通过BP神经网络拟合和内插,在内插点上恢复地球位模型高程异常,从而得到该点的高程异常.通过实测GPS水准数据将该方法与基于地球位模型和二次曲面的拟合方法进行了比较.试验结果表明,该方法转换GPS高程的精度优于基于地球位模型和二次曲面的拟合方法,能够满足一定的工程应用需求.     

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。     

基于改进的二次曲面模型在GPS高程异常拟合中的应用研究

GPS高程拟合的方法主要有二次曲面拟合、多面函数拟合、最小二乘配置拟合、BP神经网络拟合等,但是这些方法在应用上都存在一定的局限性,特别是在地形较为复杂的区域会存在较大的精度损失。基于这些问题,本文提出了一种改进的二次曲面拟合模型进行高程拟合。该模型的基本思路是将二次曲面模型和最小二乘配置拟合模型进行组合应用,首先利用二次曲面拟合模型计算各拟合点的残差序列;然后利用最小二乘配置模型获取残差序列模型;最后对各点的高程异常值进行残差改正,得到改正后的高程异常,并对该方法的结果进行精度评价分析,验证了方法的可行性,对以后的工程实践有一定的借鉴意义。     

区域内插点的分布对GPS高程异常的影响

在GPS高程异常拟合中,选取分布不同的内插点,采用二次曲面、BP神经网络和RBF神经网络3种方法,对两种点位分布情况进行高程异常值的拟合。拟合后的数据采用了格拉布斯准则检验各种拟合模型的外推点数据的粗差情况,并查找剔除粗差。分别对两种情况进行精度分析,评定不同内插点的分布对高程异常的影响。实例分析证明,在实验地区均匀分布的内插点,无论是内插点的精度,还是外推点的推估精度都有明显的提高,合理地选取内插点,有利于高程异常精度的提高。     

基于LS-SVM的GPS高程转换及其抗差性研究

论述LS-SVM的原理及算法,并结合GPS高程拟合问题,建立了相应的GPS高程拟合模型。利用实例数据,从模型精度角度与多项式拟合、BP神经网络拟合的结果进行对比分析,并选取LS-SVM和BP神经网络进行了模型抗差性分析。结果表明,LS-SVM拟合具有较高的拟合精度和较好的抗差性。     

BP神经网络在局部似大地水准面精化的应用

针对高程拟合中的模型误差问题,采用BP神经网络方法进行拟合,可以减小模型误差,提高似大地水准面的精化精度。在焦作市局部似大地水准面精化算例中,BP神经网络高程拟合取得了良好的效果。     

GPS水准采用移去恢复技术拟合大地水准面方法的研究

精化大地水准面是现代重力场和大地测量学工作的重要任务之一。探讨了利用已知水准点上的高程异常拟合区域大地水准面模型时,首先移去EGM96模型计算得到的部分,然后基于移动曲面和多面函数方法分别对剩余高程异常进行拟合,在内插点上再利用EGM96模型把移去的部分恢复,得到该点的高程异常。通过对某局部地区水准点的计算表明,引入EGM96模型的拟合高程异常的精度有所改进,对于大范围地区,这种方法有望能更好地提高大地水准面的拟合精度。     

三层模型的BP网络在GNSS高程拟合中的应用研究

针对我国绝大多数矿山地区还没有实现大地水准面精化的现状,利用BP模型实现这些地区GNSS高程的高精度转换。首先利用传统数学模型进行GNSS高程拟合,然后进行两个输入元、不同中间神经元与单一输出元的三层BP神经网络下的二次数据拟合,通过BP网络自适应映射能力实现非线性运算,避免人为构建模型误差,进而提高GNSS高程转换的精度,优势明显。利用某矿山实际工程数据对BP模型结构拟合结果进行了实际验证,得出矿区高程拟合差值平均误差可达到0.000 1 m,中误差0.028 3 m。BP模型还解决了矿区进行GNSS水准拟合时由于大地水准面的不确定致使拟合精度不稳定的问题。     

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。     

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.     

BP神经网络和SVR用于GPS高程拟合研究分析

首先介绍BP神经网络和SVR方法(支持向量机回归)用于GPS高程拟合的原理,然后通过实际数据比较BP算法和SVR在GPS高程拟合中精度。结果表明,以结构风险最小化为准则的学习方法SVR,其泛化能力明显比BP神经网络好,在工程中具有一定的实际应用价值。     

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。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

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.      

城镇控制测量中GPS高程拟合方法分析

结合扶余城镇控制测量成果对基于BP神经网络法进行GPS高程拟合进行了分析.与二次曲面拟合结果比较分析表明,通过施测少量均匀分布GPS点水准高程,采用BP神经网络方法计算GPS点正常高具有较高的精度,在生产中具有一定的应用价值.     

一种GPS高程转换的新方法

提出了基于Kriging统计的二次多项式拟合模型，采用了某地区GPS水准网数据，验证了其外符合精度比常规函数模型有显著提高。