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。     

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。     

基于混沌粒子群优化神经网络的GPS高程拟合研究

针对普通神经网络模型存在预测精度低等问题,采用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络高程异常拟合模型。为克服粒子群算法易陷入局部最优,提出并建立改进算法,即先用混沌变量初始化粒子位置,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略,从而提高了模型的训练精度。试验结果表明,该方法具有更好的准确性和稳定性。     

量子粒子群BP神经网络在GNSS高程转换中的应用分析

提出了一种基于量子粒子群神经网络(QPSO-BP)模型的GNSS高程转换方法,通过建立GNSS点平面坐标与正常高之间的三层QPSO-BP数学模型而实现GNSS高程转换。试验分析结果表明,该方法全局迭代进化搜索能力高、稳健性强、拟合及预测精度高,在GNSS高程转换方面具有良好的有效性与先进性。     

基于LM算法的BP神经网络在GPS高程拟合中的应用

介绍了一种快速收敛学习的基于LM算法的BP神经网络．它克服了传统BP网络训练速度慢和易于陷入局部最小值的缺点,通过实例应用将其结果与二次、三次多项式曲面拟合结果进行比较,验证了该方法的有效性。     

BP神经网络在GPS高程转换中的应用

探讨BP神经网络的方法对GPS高程转换,设计了基于BP神经网络的GPS高程转换模型,在调整网络的激励函数、网络的输入层和隐含层神经元的基础上,实现了GPS高程转换的BP模型优化。     

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。     

神经网络在GPS高程拟合中的应用

由于神经网络具有较好的自组织、自适应的特点,从而被广泛应用于GPS高程拟合等领域中。采用前馈型神经网络newff（）和反馈型神经网络newelm（）两种模型,在Matlab语言环境下实现GPS高程拟合,并与二次曲面拟合的结果进行比较。     

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。     

神经网络在GPS高程拟合中的应用

在对人工神经网络的基本原理、神经元模型和网络结构、数据结构、训练方式等研究的基础上,与GPS高程理论相结合,给出一种新的算法(新BP算法)。以“阜新控制网改造工程”作为一个具体实例,使用Matlab语言来完成GPS高程的拟合。     

基于粒子群优化的支持向量机在地表沉降预测中的应用

讨论了利用粒子群优化（PSO）算法来优化选择支持向量机（SVM）参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。     

GPS高程转换中BP神经网络的优化探讨

分析了传统BP算法的不足,设计了基于BP神经网络的GPS高程转换模型,在调整网络的激励函数、网络的输入层和隐含层的神经元的基础上,实现了GPS高程转换的BP模型优化.     

基于神经网络的遥感影像分类研究

由于传统遥感影像分类方法存在不足，故采用BP神经元网络进行遥感影像分类研究。阐述了算法原理、实现步骤以及改进方法。通过实验示例，将BP神经元网络的分类结果与传统统计方法分类结果进行比较，获得了有意义的结果。     

一种GPS高程转换的新方法

提出了基于Kriging统计的二次多项式拟合模型,采用了某地区GPS水准网数据,验证了其外符合精度比常规函数模型有显著提高。     

基于BP神经网络的点状地图符号识别

点状地图符号的识别是实现扫描方式地图自动数字化的重要研究内容之一，本文首先分析介绍ＢＰ网络模型及其学习算法，然后根据ＢＰ模型本身所存在的一些不足之处，提出相应的改进措施，还以实际扫描地图图像进行相应的实验验证，最后，对网络的输入模式加以讨论，提出了三种减小网络规模的具体方法。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

遗传神经网络在GPS高程转换中的应用

介绍了遗传算法进化神经网络拓扑结构及网络参数的基本原理和方法,提出了利用遗传神经网络进行GPS高程转换,实例分析验证了其具有较高的拟合精度及效率.     

人工神经网络在遥感数字图像分类处理中的应用

近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论国外遥感图像分类处理研究中应用效果显着或应用前景广阔的一些神经网络方法。最后讨论了有关上述方法在遥感数据分类处理中实际应用的一些原则性问题。