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。     

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。     

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。     

基于BP神经网络的Shepard曲面拟合方法在区域似大地水准面中的应用

在几何模型拟合区域水准面过程中,每种模型拟合高程都存在一些缺陷。在分析BP神经网络和Shepard曲面拟合方法各自优势的基础上,提出一种基于BP神经网络的Shepard曲面拟合方法的混合模型,并通过实例论证得出其拟合精度可达到厘米级,能满足一般工程的需要,解决了区域高程拟合单一模型的缺陷问题。     

Hopfield神经网络在水准网平差中的应用

Hopfield神经网络有较强的优化计算能力,引入IGGⅢ等价权方案,构造Hopfield神经网络新的能量函数形式,采用共轭梯度法,进一步提高神经网络的效率,并讨论Sigmoid函数的抗差能力。通过模拟水准网算例表明:在无粗差情况下,利用神经网络进行测量平差可以精化模型,提高平差效率,而在有粗差情况下,引入IGGⅢ等价权方案可以使神经网络计算具有较强的抗差能力。     

BP神经网络在GPS高程拟合中的应用探讨

神经网络算法一直是国内外研究的热点问题,BP神经网络算法具有更小的模型误差,因此,被广泛应用于GPS高程拟合。本文通过对同一区域GPS高程拟合的应用探究,运用迭代运算对比BP神经网络算法与多项式拟合数据,从而证明BP神经网络在一定条件下具有更高的精度,更加突出了BP神经网络算法的实用性。     

稳健估计在GNSS高程拟合中的粗差探测

由于最小二乘法不能有效地抵抗粗差,而控制点的平面坐标和高程异常值中不可避免地含有误差,对应用最小二乘法和稳健估计法在GNSS高程拟合中的粗差探测进行探讨。通过对不同数量控制点的高程异常观测值中加入粗差,采用两种算法在求解GNSS高程拟合中的精度进行分析比较,并对粗差在稳健估计中的干扰范围进行研究,结果表明,稳健估计具有抵抗多个粗差的能力。     

基于等价权抗差估计和线性规划的天线曲面拟合算法

现有天线曲面拟合算法均基于最小二乘法,难以消除多个粗差对拟合结果的影响。本文基于等价权抗差估计思想,利用线性规划计算残差初值,再进行选权迭代计算。通过算例,证明本文方法能较好地探查多个粗差,且计算结果精度更高。     

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。