海洋重力似大地水准面与区域测高似大地水准面的拟合问题

研究了将陆地重力似大地水准面与GPS水准似大地水准面拟合的处理方法推广到海洋的问题,首先从理论上证明了当存在海面地形,则海洋大地水准面与似大地水准面不重合,导出了在海洋上大地水准面差距与高程异常之间差值的公式,由此给出了求定平均海面相对于区域高程基准的正常高以及测高似大地水准面的计算公式。由于测高平均海面与GPS大地高有相近的精度,提出了将海洋重力似大地水准面与区域测高似大地水准面拟合的处理方法,并利用当前最新的海面地形模型和测高平均海面模型做了数值估计。     

渤海湾区域似大地水准面的建立

利用基于一维球面快速傅立叶变换的Stokes方法,反演了渤海湾区域重力似大地水准面,并通过少量GPS水准点的拟合实现了GPS水准似大地水准面的建立。     

BP神经网络在区域似大地水准面精化中的应用

研究BP神经网络算法在区域似大地水准面精化中的应用,阐述了神经网络的结构及其算法,根据焦作市D级GPS网控制点的数据,利用MATLAB进行编程计算,拟舍得到厘米级的似大地水准面模型,并得到了有益的结论。     

无锡市厘米级似大地水准面的研究

利用大地水准面逼近的严密理论M olodenskii级数解和重力归算的地形均衡理论,结合全球定位系统(G PS)、水准和重力资料在无锡确定了精度达厘米级的似大地水准面,并讨论了无锡G PS控制网的布设及数据处理。通过检核,所确定的2.5'×2.5'似大地水准面精度为2.2cm。     

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。     

区域似大地水准面的非均匀B样条拟合方法探讨

介绍了建立似大地水准面模型的原理,讨论了非均匀B样条函数方法的基本原理。根据中部某地区的已知点的大地高和正常高,分别用非均匀三次B样条函数和三次曲面函数对该地区的似大地水准面进行高程拟合,结果表明了该方法具有更好的精度和稳定性。     

基于BP神经网络似大地水准面精化精度分析

针对BP神经网络似大地水准面精化在山区和平原等地形区域的差异,采用BP神经网络+残余高程异常的方法,建立残余高程异常与坐标的非线性函数关系,并以南方某山区和华北某平原为研究对象,对比分析了BP神经网络似大地水准面精化不同地形区域的精度。结果表明,在平原和山区均能达到较高的精度（±5 cm以内）,且平原优于山区,因此BP神经网络可应用于大面积的不同地形区域的似大地水准面精化,精度可满足1∶500～1∶2 000大比例尺地形图测量的需求。     

GPS高程拟合似大地水准面的方法

研究根据控制网的GPS高程及水准高程数据,利用平面相关法、二次曲面拟合法等数学模型在最小二乘配置下拟合区域似大地水准面。试验研究表明:二次曲面拟合法的拟合精度能够满足四等水准精度要求,因而GPS高程在工程建设领域具有广阔的应用前景。     

神经网络初始条件对似大地水准面拟合结果的影响

主要针对BP神经网络初始权值设置和学习集样本次序对似大地水准面拟合结果的影响进行研究,结果表明,在GPS/水准点控制区域内初始权值的设置对拟合结果没有影响,学习集样本次序对拟合结果的影响一般小于2.0 mm,得出对于构建厘米级似大地水准面,可以忽略初始权值设置和学习集样本次序对似大地水准面拟合结果的影响的结论,为神经网络方法应用于高精度、高分辨率似大地水准面拟合提供借鉴。     

广州市亚厘米级高精度似大地水准面的确定

广州市似大地水准面精化项目历时一年时间最终得以高质量地完成,覆盖面积达8 000 km2内的水准面成果精度达到了优于±1 cm的水平。针对项目中的关键性技术问题进行研究和解决。     

基于自适应UKF的BP神经网络及其在高程拟合中的应用

针对BP神经网络收敛速度慢、容易陷入局部极小值点和泛化能力差等问题,基于自适应Kalman滤波理论,提出一种自适应非线性滤波(UKF)训练BP神经网络的方法。该方法采用Kalman滤波框架,引入自适应因子,对神经网络的连接权进行训练,提高了神经网络的学习质量。高程异常拟合算例表明,基于自适应UKF的BP神经网络比标准BP神经网络收敛速度快,泛化能力强,从而证明了该方法是一种有效的连接权训练方法。     

BP神经网络在GPS导航中的应用

Kalman滤波常用于GPS动态数据的处理,由于系统存在的不确定性和非先验性,导致滤波产生较大的估计误差,甚至发散。介绍了BP神经网络算法及其非线性逼近能力,并基于BP神经网络的非线性逼近性能设计了BP神经网络进行GPS导航的新算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹,其导航解具有良好的精度和可靠性。     

基于最小二乘配置法的BP神经网络GPS高呈异常拟合方法研究

传统的BP神经网络在GPS高程异常拟合应用有其一定的局限性,特别是在对于外推高程异常值方面,传统的BP神经网络的不足表现得尤为明显.针对高程异常的特性,既有趋势性也有随机性,结合BP神经网络的优点,提出一种改进型的BP神经网络高程异常拟合方法,利用最小二乘配置法综合考虑高程异常的趋势性和随机性的特点,采用BP神经网络方...     

BP神经网络在GPS高程异常拟合中的应用

以提高GPS高程异常拟合的精度为目标,针对实际工程数据,对BP网络模型进行详细的设计,应用BP神经网络方法进行粗差的剔除和高程异常拟合实验及模型精度的评定,得到较满意的结果。通过与多面函数法得到的结果进行比较,证实该模型可使拟合精度有较大提高。     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。     

等维BP神经网络在沉降预报中的应用研究

为解决神经网络在沉降预报应用中的局限性,结合灰色理论等维信息策略和BP神经网络建模思想,利用数据序列本身构建训练样本,建立等维BP神经网络预报模型,并利用数学工具MATLAB编程实现,进行实际的变形预测,通过与灰色理论GM(1,1)模型的预报效果进行比较,表明该等维BP网络模型具有更高的预报精度,可以达到更好的预报效果。     

BP神经网络在高层建筑沉降预测中的应用

利用人工神经网络强大的非线性映射和学习能力,提出了基于BP人工神经网络的建筑物沉降预测方法。以某实例工程1期～12期的沉降观测数据为基础,建立网络模型,并对13期～l6期实际观测值与预测值进行了比较,结果比较理想,从而验证了改进的BP人工神经网络对建筑物的沉降预测是可行的,且具有广阔的工程应用价值。     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

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。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。