提高GPS拟合高程精度的方法

GPS测量高程为WGS84系统的大地高,通过加入高程异常求得正常高。利用测区内几个GPS水准点上的已知高程异常进行拟合,求得该测区高程异常分布的数值模型,得到其它未知点的正常高。目前,常用的拟合方法有平面拟合法、二次曲面拟合法、多面函数法等,笔者以海阳市控制网的布设,探讨了影响GPS拟合高程精度的因素,提出了提高GPS拟合高程精度的方法。     

基于最小二乘支持向量机的组合模型在区域似大地水准面拟合中的应用

针对最小二乘支持向量机（least squares support vector machine,LSSVM）在区域似大地水准面拟合过程中存在较大模型误差的问题,构建LSSVM-Shepard GPS高程异常转换组合模型。采用LSSVM拟合高程异常中的中长波项,利用Shepard插值模型来泛化去除中长波项的残余项。结合平原地区和高原山区工程实例,分别采用二次曲面模型、LSSVM、Shepard插值模型、二次曲面-Shepard模型、LSSVM-Shepard模型进行高程转换及精度对比。结果表明,新组合模型高程转换精度高于各单一模型,且在平原地区转换效果与二次曲面-Shepard模型基本一致,在高原山区拟合效果优于二次曲面-Shepard模型。     

基于加权总体最小二乘法的GPS高程拟合

在GPS高程拟合中,针对传统最小二乘方法不能解决系数矩阵存在误差的问题,提出了一种基于加权总体最小二乘的拟合方法。对平面和二次曲面多项式建立更加合理的拟合模型,并给出了相应的迭代算法。实例计算表明,加权最小二乘方法能够得到更好的估计参数,高程异常值拟合精度也相应提高。     

基于移去-恢复法的局部似大地水准面精化模型对比研究

针对似大地水准面在精化过程中不同移去-恢复高程转换模型的适用性和选取问题,基于二次曲面和EGM2008重力场模型,分别构建了RBF神经网络、多面函数和Shepard等3种类型的移去-恢复模型,结合平原和高原山区两个工程实例,通过调整高程拟合点数目进行似大地水准面拟合与精度对比。结果表明,在平原地区,EGM2008-多面函数高程模型精度略优于其他模型;在高原山区,当拟合点数较少时,基于EGM2008的移去-恢复模型精度高于基于二次曲面的移去-恢复模型,其中,EGM2008-多面函数和EGM2008-Shepard较优,而随着拟合点数目的增加,二次曲面-Shepard高程转换模型的精度优于其他模型。     

GPS高程区域似大地水准面分区方法

由于坐标系统不同,用GPS进行高程测量时必须首先进行高程拟合确定似大地水准面。高程拟合的方法有多种,当测区面积不大时,这些方法在一定程度上都能取得好的效果,但当测区面积很大时,直接应用这些方法往往难以取得好的结果。实际操作中对于测量面积很大时,往往采用分区拟合的方法。目前分区主要有两类方法:一是根据测区的实际地形起伏情况划分;二是根据支撑点的高程异常来划分。按地形分区,简捷易行常被采用,但有时精度难保证;按支撑点划分,在地形复杂地区,其高程异常起伏不定,根据相邻点的高程异常的差值很难定出分区情况。本文提出一种新的思路,即首先依据EGM96去掉高程异常中的中长波部分,再用残余的高程异常做等值线图,根据等值线图再进行分区。由于等值线图能反映高程异常的细部结构,根据等值线图进行的分区能保证每个分区中高程变化的单调性,因而有利于高程的拟合。实例表明,该方法能取得良好的拟合效果。     

样本数据预处理对基于BP神经网络的GPS高程拟合的影响

分析在基于BP神经网络的GPS高程拟合建模中样本数据预处理的必要性,并列举了归一化、中心化、标准化3种数据预处理方法,然后结合实例,在神经网络建模中增加一个数据预处理层,分别用3种训练方法对基于不同数据预处理的模型进行训练建模,将计算结果进行对比分析,并与二次曲面模型结果进行比较,得出不同数据预处理方法对基于神经网络的GPS高程拟合建模精度的影响不同,且神经网络方法比二次曲面方法的拟合精度更高。     

不同组合方法对GPS高程拟合的影响

针对平面拟合、二次曲面拟合和GA-BP神经网络3种模型的各自特点和适用范围,为综合各模型优点、提高高程拟合的精度与可靠性,对比分析了不同非线性组合和线性组合方法,即RBF神经网络组合、加权最小二乘支持向量机（WLSSVM）组合和最优加权组合、最优非负变权组合等对GPS高程拟合精度的影响。理论分析和算例结果表明,不同组合方法对GPS高程拟合精度的影响不同,WLSSVM组合和最优非负变权组合的拟合效果较好,可靠性较强|最优非负变权组合能较好地控制残差极值,有效减小误差区间,且转换精度较高。     

回归支持向量机在区域高程异常拟合中的应用

一、引言 上世纪90年代, Vapnik等人通过对机器学习的深入研究,将Vapnik本人创立的统计学习理论（Statistical Learning Theory,SLT）即有限样本学习理论,及相关概念-VC维（VC Dimension）、结构风险最小化准则（ Structural Risk Minimization, SR M）、核函数（ Kernel Function）引入到机器学习领域,提出了有限样本学习条件下,解决模式识别、回归分析问题时,通过黑箱模型建立“输入”和“输出”的“泛函”关系,并且使得模型具有较强“泛化”能力的支持向量机（Support Vector Machine,SVM）模型。空间高程异常拟合计算模型是以有限数量的已知点的大地经纬度（B,L）作为已知的输入量,空间点位的大高与该点的水准高的差值（H大地高-h水准高）作为输出量构成的分析样本,通过机器学习建立空间点位的大地经纬度（B,L）和该点高程异常值之间精确的“黑箱”关系,应用于空间样本点区域范围内及周边区域高程异常空间变化求解。     

GPS高程异常拟合的稳健总体最小二乘算法

为解决控制点平面坐标与高程异常值中均含有误差的情况下求解模型参数的问题,对应用总体最小二乘算法(TLS)建立G-M模型求解拟合模型参数的方法进行讨论,重点对应用稳健总体最小二乘算法解决控制点之间观测值精度不等对参数求解有影响的问题进行探讨。对基于稳健估计思想的TLS迭代定权算法进行讨论,并通过算例与其他两种算法进行比较。结果表明,基于稳健估计的TLS算法能更好地解决含有误差的控制点已知坐标对GPS高程拟合模型参数求解有影响的问题。     

基于EGM2008和剩余地形模型的区域似大地水准面精化方法

利用EGM2008计算重力场模型高程异常,结合SRTM和DTM2006.0计算剩余地形模型,进而计算RTM高程异常,以弥补EGM2008重力场模型短波信号缺失的不足。从实测高程异常中减去重力场模型高程异常以及RTM高程异常,得到残余高程异常。利用曲面拟合方法拟合残余高程异常模型,解决高程基准系统偏差问题。通过实际GPS/水准数据计算证明,该方法能显著提高GPS点的高程异常计算精度,达到精化区域似大地水准面的目的。