半参数模型在求解GPS正常高中的应用研究

以经典二次曲面拟合的方法与半参数模型为基础,在某一较小区域内,根据一定数量已知GPS点的高程异常来内插或推估该区域中任一点高程异常的过程中,引入在重力测量最小二乘配置函数模型中描述倾向参数的方法,提出半参数模型下的二次曲面拟合的方法。     

GPS高程转换的总体最小二乘拟合推估模型

在现有的关于GPS高程转换的总体最小二乘方法研究中,通常是将高程异常转换参数的计算与待求点高程异常的计算分两步进行处理,并且只考虑由已知高程异常点的平面坐标组成的系数矩阵的误差,忽略了高程异常待求点的坐标误差。针对以上问题,本文提出了GPS高程转换的总体最小二乘拟合推估模型,将计算高程异常转换参数和待求点高程异常联合处理,且考虑到所有点的点位误差,最后采用拟合推估法进行求解。实验结果表明,本文方法能够有效地提高高程转换的精度。     

基于最小二乘配置法的沿海高程异常模型建立研究

陆海统一高程基准的关键是高程异常模型的建立,本文采用既考虑函数模型中非随机变量同时考虑随机部分的最小二乘配置法进行高程异常的拟合推估,建立区域高程异常模型,并与常用方法进行比较分析.以江苏沿海高程异常模型建立为例,研究得出不同拟合方法的拟合精度和残差图各有特点,最小二乘配置法的外部符合精度最高.     

最小二乘配置法在GPS高程异常推估中的应用

简述了最小二乘配置法的基本原理,并在水准联测点不多的情况下,直接采用平方根函数作为各随机参数间的协方差函数用于推估GPS高程异常值。由于最小二乘配置法的函数模型中同时考虑了非随机变量和随机变量,使得高程异常值的推估精度更高。实例分析也证明了此模型在精度上优于传统的平面拟合模型和协方差推估模型。残差分析表明此方法更适合于同时存在内插和外推高程异常值的情况。     

拟合推估在GPS高程解算中的应用

函数模型逼近和统计模型逼近是大地测量平差中两种重要的方法。前者对趋势性和规律性变化能数的求解较为理想，而后者对随机变化参数的逼近比较合适，首先叙述和分析了目前在GPS高程异常解算中的几种方法的原理及优缺点，然后对最小二乘拟合推估在逼近未知点高程异常方面的应用进行了讨论，并介绍了拟合推估的一种新解法。     

基于Matlab的GPS高程异常的支持向量机模型

全球定位系统(GPS)高程测量成果不如传统方法测量的精度高,并存在高程异常问题,通过引入最小二乘支持向量机原理,建立GPS支持向量机高程异常模型,构建GPS高程异常模型的MATLAB程序,大大提高了高程测量精度。阐述了实现GPS高程异常拟合的关键技术。     

GPS高程拟合支持向量机模型

为了快速获取GPS高程异常值，提出了基于最小二乘支持向量机（LS—SVM）的GPS高程异常值求取模型，介绍了最小二乘支持向量机的原理与优越性。利用该模型进行了高程异常的拟合，并对已知点进行了检验。结果表明：其结果是可靠的，在有限样本情况下完全可以达到传统GPS高程拟舍的效果，且其实现起来更简单，具有一定的科学性和实用性。     

补偿最小二乘估计在确定高程异常中的应用

针对常规最小二乘拟合求解高程异常存在的模型误差,本文提出将模型误差看作非参数信号采用补偿最小二乘法来处理,讨论了正则化矩阵R和平滑参数α的选取对拟合结果的影响,在对各种求解光滑参数深入研究的基础上,提出了一种Xu(α)函数法,并对一个测区的GPS水准数据进行解算,结果表明,利用补偿最小二乘模型求解高程异常优于最小二乘法。     

二次曲面与最小二乘配置的组合模型在GPS高程异常拟合中的应用

在工程实践应用中，为了有效利用GPS高程数据，减少对传统水准测量的依赖，提高GPS高程异常的拟合精度便显得十分重要。为此，本文在介绍二次曲面拟合和最小二乘配置拟合基本原理分析、算法过程推导的基础上，提出了一种新的高程异常拟合方法。首先在二次曲面拟合的基础上，计算得到原始观测数据与拟合数据之间的残差序列，然后采用最小二乘配置模型对包括二次曲面拟合模型误差的综合误差进行优化减弱，最后得到新的高程异常。通过实例，将二次曲面拟合法，最小二乘配置法与文中提出的新方法进行比较分析。结果表明：新的组合方法的拟合预测精度要明显优于最小二乘配置及二次曲面拟合。     

GPS高程拟合的方法比较

GPS高程拟合的方法有很多,各有其优点和适用范围。本文在最小二乘估计算法的基础上,讨论主成分估计法和半参数模型估计法及各自的优点,并利用六参数模型的最小二乘估计、主成分估计和半参数模型三种拟合方法对GPS高程进行拟合,通过实例计算结果比较分析,得出半参数估计方法优于其他方法,在一定条件下精度高的优点。最后得出半参数估计方法精度达毫米级,论证了其在实际应用中的优越性。     

GPS高程拟合的方法比较

GPS高程拟合的方法有很多,各有其优点和适用范围。本文在最小二乘估计算法的基础上,讨论主成分估计法和半参数模型估计法及各自的优点,并利用六参数模型的最小二乘估计、主成分估计和半参数模型三种拟合方法对GPS高程进行拟合,通过实例计算结果比较分析,得出半参数估计方法优于其他方法,在一定条件下精度高的优点。最后得出半参数估计方法精度达毫米级,论证了其在实际应用中的优越性。     

最小二乘配置模型在 GPS 高程拟合中的应用

经典的平差函数模型中只含有无先验统计信息的非随机参数,而针对附有随机参数的平差问题具有很大的局限性,为此在GPS高程拟合中,本文用最小二乘配置模型解决了这一问题,并且通过实际算例,设计两种最小二乘配置拟合方案与二次曲面拟合法进行了比较,结果表明,最小二乘配置拟合残差较小,外符合精度较高,高程拟合效果更好。     

GPS高程拟合模型及其应用研究

结合GPS测量与水准测量的数据,分别用二次多项式曲面、多面函数、混合模型等几种GPS高程拟合模型拟合高程异常,结果表明,混合模型拟合精度较高.     

基于自适应拟合推估的最小二乘配置改进模型在地壳形变分析中的应用研究

系统论述在地壳形变场的构建过程中,以最小二乘配置模型作为基础结合自适应拟合推估法对模型加以改进的方法.通过建立自适应因子对信号向量与观测向量间的先验权比进行调整,以提高对形变量推估的准确性,防止并克服由于协方差函数选择不合理所产生的系统偏差.以川滇菱形块体GPS速度场作为实例进行对比分析,结果显示,基于最小二乘配置的自适应拟合推估模型能够更为准确地反映区域形变特征.     

灰色最小支持向量机模型在高程拟合中的应用

针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。     

基于二次曲面的拟合推估法在GPS高程测量中的应用

针对GPS水准拟合常用的多项式拟合模型、多面函数拟合模型和加权平均拟合模型存在的缺陷，采用最小二乘拟合推估的方法提高拟合精度，并通过某工程实例比较和分析，认为该拟合方法比单一模型精度更高、稳定性更强且具有较高的可靠性和实用价值。     

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。     

RBF神经网络—半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型。结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行。     

基于高程异常拟合的多项式模型参数方案探讨

针对多项式模型在大地高向正常高的转换中精度偏低的问题,本文首先讨论一次、二次、三次多项式模型的高程拟合精度,以确定最优拟合参数,进一步结合最小二乘配置法及EGM2008重力场模型对多项式模型进行精度优化。通过实例分析,多项式模型i=3时精度最高为0.045 m,结合最小二乘配置法的拟合中误差为0.032 m,再结合移去-恢复法为0.017 3 m。二次多项式模型拟合精度最高,最小二乘配置法及重力场模型可进一步将拟合精度提高至四等水准的精度要求。     

RBF神经网络一半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型.结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行.