距离加权模型在高程异常计算中的精度对比分析

为使GNSS高快速转化为正常高,需要进行高程异常拟合以获取二者之间的转化差值,通常通过构建数学模型拟合某个区域内的似大地水准面计算高程异常,但数学模型不能顾及拟合点与检核点之间的相对位置关系。为解决上述问题,采用相比数学模型具备更高拟合精度的距离加权模型,对2种距离加权模型在同一案例中的高程异常拟合对比。结果表明,二次曲面模型平均绝对误差为0.037 1 m,移动曲面模型为0.011 5 m, Shepard插值为0.010 6 m,基于二次曲面的移动曲面模型相比二次曲面模型有较大的精度提高,Shepard插值法相对移动曲面模型拟合精度有一定提高。距离加权模型在高程异常拟合中精度高于数学模型,以Shepard插值法最优。     

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。     

一种含稳健权的神经网络GNSS高程拟合模型

在高程拟合解算过程中,为数不多较大误差或残留系统误差可能会使估计参数的结果歪曲,导致拟合数学模型变形失真。本文在研究GNSS高程拟合神经网络模型的基础上,将具有抵抗粗差能力的选权迭代稳健估计因子引入BP神经网络高程拟合计算,通过思维进化算法对网络初始权值和阈值进行优化,提出一种具有抗差性的神经网络高程拟合方法的思路,并通过算例验证了模型在高程拟合过程中的有效性。     

各组合模型在GPS高程拟合中的应用研究

针对单一模型自身存在的局限性,提出了最优非负变权GPS高程拟合模型。该模型以最小二乘拟合估计、主成分估计、半参数估计3种单一模型的预测结果为组合预测值, 以预测误差平方和最小为目标, 通过规划法求解变权系数, 并与最优加权组合模型、BP神经网络组合模型进行了对比。结果表明, 最优非负变权组合模型能有效综合单一模型的优点, 利用动态的权值进行预测, 综合精度较高, 能够提供更准确的结果, 在GPS高程拟合中的应用是可行的。     

一种基于自适应点质量的区域(似)大地水准面拟合方法

针对传统分频余差点质量模型拟合局部（似）大地水准面时系统偏差大、所需基础数据多、计算效率低等问题,利用位场等效逼近原理,对点质量模型进行改造,提出了一种位置固定、埋深自由的点质量模型,并将该模型应用到局部（似）大地水准面拟合中。利用空间距离最近点最优原则建立了解算点质量模型的迭代算法,并顾及周围点影响提出固定加权点方法和自适应法。实验结果表明,相比于传统模型,所提算法有系统偏差小、无奇异性、所需数据少以及计算效率高等优点,利用该方法进行（似）大地水准面拟合是可行的,而且自适应加权半约束点质量模型效果最好。     

数字相机校准中光斑中心的亚像素定位

数字相机校准是进行摄影测量作业的前提条件和精度保障,而对数字相机CCD靶面上光斑中心坐标精确定位是决定数字相机校准精度的主要因素之一.现研究了光斑中心坐标定位精度对数字相机校准精度的影响,得出数字相机校准对光斑中心定位精度的要求为优于0.23像素.在总结分析椭圆拟合算法和灰度加权质心算法的基础上,基于我实验室数字相机校准装臵,对不同尺寸的平行光管星点板,在不同相机视场角情况下分别进行了光斑中心坐标定位实验,实验结果表明两种算法的定位精度均满足数字相机校准的精度要求,但椭圆拟合算法定位精度优于灰度加权质心算法.     

区域似大地水准面精化模型算法的优选

建立高精度、高分辨率的区域似大地水准面模型是GPS高程测量在实际应用中必须解决的首要问题,分别介绍BP神经网络、曲面拟合的模型及算法,并基于焦作市GPS测量数据,通过MATLAB编程计算和分类实验,验证几种算法的有效性与可靠性,结果证明神经网络算法要优于其它算法,最后给出有益的结论.     

小波神经网络在桥梁变形预测中的应用

针对BP网络容易导致局部极小、不收敛的问题,提出了用小波神经网络拟合并预测大桥位移与其原因之间非线性关系的方法。提出了小波神经网络隐含层节点数的确定方法,该法可以确定网络隐含层最优节点数;小波神经网络具有良好的局部特性、较强的学习能力和任意函数逼近能力,实现了大桥变形的精确拟合及预测。实测结果表明:所提算法经过训练不仅可以准确拟合大桥位移曲线,而且预测精度较高,各项指标均优于BP网络。     

基于GSA-BP神经网络的GNSS高程拟合方法

针对传统BP神经网络模型进行全球导航卫星系统(Global Navigation Satellite System, GNSS)高程拟合时存在的收敛速度慢,易陷入局部极小值和拟合精度受初始参数选取影响大的问题,提出一种遗传模拟退火算法(Genetic Simulated Annealing,GSA)优化的BP神经网络模型:GSA-BP.该模型利用GSA的全局搜索能力对BP神经网络的模型参数进行自动寻优,确保BP网络能够获取全局最优解并提升拟合精度.最后采用实际工程算例开展试验,对所提GSA-BP模型的高程拟合性能进行评估和验证,结果表明所提GSA-BP模型相对于传统BP神经网络模型具有更高的拟合精度和更强的数据适应性,更适用于实际工程实践场景.     

基于组合模型的高程拟合方法及精度分析

文中介绍了加权二次曲面拟合和多面函数拟合的基本原理的分析、算法过程的推导。在此基础上,以两种高程拟合的误差平方和最小为约束,通过对两种拟合模型赋予不同的权重,形成新的组合模型。利用LINGO软件求解得到两种模型的权重,再进行高程拟合,在一定程度上进一步提高GPS高程拟合的精度和稳定性,具有一定的实践参考价值。     

基于RBF神经网络的GPS高程拟合方法的研究

GPS高程拟合一直是工程应用中的一个研究热点,其中神经网络拟合方法得到了广泛的应用。本文利用RBF神经网络模型进行GPS高程拟合实验,主要针对模型中隐含节点数和最佳SPREAD值的确定进行实验研究,并利用MATLAB神经网络工具箱实现了GPS高程拟合。同时,将RBF神经网络拟合结果与BP网络拟合结果进行对比分析,结果表明,RBF网络拟合效果要优于BP网络,得到的拟合精度要高。     

GAMIT/GLOBK在Linux系统下的安装与应用

GAMIT是国内外高精度GPS数据处理中通常采用的软件之一,多安装于Linux操作系统,本文主要介绍了GAMIT在Linux平台下的安装与使用,并通过算例来说明GLOBK进行网平差后所得到的坐标结果是可靠的。     

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。     

基于LM-BP神经网络的GPS高程拟合算法研究

提出了基于LM-BP神经网络方法转换的GPS高程拟合算法,并与传统拟合方法进行了比较。经实例验证,基于LM-BP神经网络的GPS高程拟合优于传统拟合方法,特别是在拟合点较少的大范围GPS拟合中显著改善了拟合高程的精度,具有一定的实用价值。     

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.      

基于遗传算法的RBF神经网络在GPS高程拟合中的应用

本文针对RBF神经网络中隐含层径向基中心值的确定,利用遗传算法对其进行优化,并应用于高程拟合的实验研究中。通过将遗传算法优化的RBF神经网络与K-均值优化的RBF神经网络及标准RBF神经网络进行高程拟合的误差对比分析表明:遗传算法优化的RBF神经网络提高了拟合的稳定度,改善了精度。     

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。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

粒子群最小二乘支持向量机在GPS高程拟合中的应用

针对传统的GPS高程拟合方法要求有足够多样本数据的缺陷,本文采用粒子群(PSO)算法优化最小二乘支持向量机(LSSVM)参数的方法进行GPS高程拟合。实验表明,在有限样本的情况下,PSO-LSS-VM模型不仅发挥了LSSVM处理小样本数据的能力,而且通过PSO优化后的LSSVM能够选择出合适的参数;与LM-BP神经网络、标准最小二乘支持向量机等方法比较,PSO-LSSVM模型拟合精度较高。