各组合模型在GPS高程拟合中的应用研究

针对单一模型自身存在的局限性,提出了最优非负变权GPS高程拟合模型。该模型以最小二乘拟合估计、主成分估计、半参数估计3种单一模型的预测结果为组合预测值, 以预测误差平方和最小为目标, 通过规划法求解变权系数, 并与最优加权组合模型、BP神经网络组合模型进行了对比。结果表明, 最优非负变权组合模型能有效综合单一模型的优点, 利用动态的权值进行预测, 综合精度较高, 能够提供更准确的结果, 在GPS高程拟合中的应用是可行的。     

GPS水准综合模型的应用研究

针对GPS水准中单一拟合模型的不足,探讨GPS水准拟合的两种综合模型(加权综合模型和混合拟合模型)。通过某地区实测的GPS水准数据对该两种综合模型和几种单一模型进行计算和比较分析,结果表明:两种综合模型逼近高程异常的精度和可靠性均高于单一模型,并且混合拟合模型比加权综合模型理论上更为合理。     

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。     

区域似大地水准面精化模型算法的优选

建立高精度、高分辨率的区域似大地水准面模型是GPS高程测量在实际应用中必须解决的首要问题,分别介绍BP神经网络、曲面拟合的模型及算法,并基于焦作市GPS测量数据,通过MATLAB编程计算和分类实验,验证几种算法的有效性与可靠性,结果证明神经网络算法要优于其它算法,最后给出有益的结论.     

两种GPS水准综合模型的比较研究

给出了GPS水准拟合中的加权综合模型和混合拟合模型,通过某测区的GPS水准数据对该两种综合模型和几种单一模型进行了计算和比较分析,结果表明综合模型逼近高程异常的精度和可靠性均高于单一模型,并且混合拟合模型比加权综合模型理论上更为合理。     

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。     

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.      

基于神经网络的GPS高程拟合算法探析

随着GPS定位技术的发展,人们已经能够获得控制点的高精度平面位置,但一直未能以相应精度求解控制点的正常高程。为提高GPS高程测量的精度,以某工程控制网为例,针对BP神经网络方法应用于GPS高程拟合进行比较研究,可见,遗传神经网络应用于GPS高程拟合,其精度优于BP神经网络,且收敛速度加快;退火神经网络应用于GPS高程拟合,拟合效果也优于BP神经网络。     

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。     

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。     

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。     

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。     

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。     

粒子群最小二乘支持向量机在GPS高程拟合中的应用

针对传统的GPS高程拟合方法要求有足够多样本数据的缺陷,本文采用粒子群(PSO)算法优化最小二乘支持向量机(LSSVM)参数的方法进行GPS高程拟合。实验表明,在有限样本的情况下,PSO-LSS-VM模型不仅发挥了LSSVM处理小样本数据的能力,而且通过PSO优化后的LSSVM能够选择出合适的参数;与LM-BP神经网络、标准最小二乘支持向量机等方法比较,PSO-LSSVM模型拟合精度较高。