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。     

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。     

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.      

RSA-BP组合模型在GNSS高程拟合中的应用

针对地形复杂区域构建GNSS高程异常拟合模型精度有限的问题,本文提出了一种基于爬行动物搜索算法(RSA)优化BP神经网络的方法。利用RSA对传统BP神经网络各层之间神经元的权值和阈值全局寻优,解决BP神经网络局部极值、梯度下降等问题;同时,选取三等水准测量精度以上的加密网点高程数据作为样本集,使用RSA-BP神经网络学习与训练。与最小二乘支持向量机、多面函数拟合性能对比,RSA-BP神经网络模型拟合精度最高,稳定性最好,与实际高程异常值最为吻合。     

基于粒子群算法优化SVM的GPS高程拟合方法

采用支撑向量机(Support Vector Machine,SVM)模型进行GPS高程拟合时,拟合精度受模型参数(核参数和惩罚因子)选择影响较大,传统交叉验证法存在计算复杂,易陷入局部最优的问题.本文将粒子群(Particle Swarm Optimization,PSO)算法引入SVM模型,利用PSO全局搜索能力强和收敛速度快的特点对SVM模型进行优化,提升GPS高程拟合精度的同时增强模型的泛化适应性.最后基于实际算例对所提方法的拟合性能进行验证,结果表明相对于传统交叉验证SVM模型,所提PSO-SVM模型能够获得更高的拟合精度,并且对复杂地势具有更强的适应能力.     

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。     

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。     

GPS高程拟合方法及评价准则研究

GPS获得的大地高需要转换成正常高才能得到工程应用。该文针对某测区的GPS和水准数据的高程转换问题,分别利用曲线拟合法、曲面拟合法、BP神经网络拟合法和RBF神经网络拟合法对该问题进行研究,并提出不同的精度评价准则对上述模型在工程应用中的可行性及精度进行分析。结果表明,在区域范围较小且呈面状分布的地区,采用RBF神经网络相对于曲线拟合模型、曲面拟合模型和BP神经网络模型,可以获得更高的拟合精度以及鲁棒性。本文的对比分析结果可以供读者在实际工程应用过程中参考。     

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。