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MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

利用蚁群遗传算法改进高程异常拟合模型

针对多面函数在拟合高程异常中难以选取中心节点及光滑因子的问题,该文提出了蚁群-遗传算法改进高程异常拟合模型的方法。为拟合模型构建提供可靠的参数,使选择的中心节点更加合理,加入蚁群算法能够快速获取地形复杂区域的特征点。光滑因子是多面函数拟合法的重要参数,参数值影响了拟合模型精度的高低。采用了遗传算法优化光滑因子,将光滑因子作为种群的染色体进行遗传运算,求得了拟合模型的光滑因子最优值为0.452。利用蚁群-遗传算法改进后的多面函数构建的拟合模型精度为8.6mm,比传统多面函数法拟合结果精度提高了48%。实验研究表明,蚁群-遗传算法改进的多面函数在很大程度上提高了拟合模型的精度,充分验证了改进方法有效可行,为特殊地形的高程拟合提供了重要的参考依据。