基于AIC准则的RBF神经网络在GPS高程拟合中的应用

本文采用AIC准则优化RBF神经网络参数的方法进行GPS高程拟合,在建立网络模型过程中,对不同的聚类半径由最近邻聚类法求出不同类别的聚类数目及相应的聚类中心和初始扩展常数,通过对不同类别分别进行调整扩展常数的网络训练,求出其最小AIC值,再根据AIC准则确定结构最优的RBF网络模型。实验结果表明:这种方法为确定最优RBF网络模型的隐节点数目及相应参数提供了途径;拟合精度较高,在较平坦测区可以替代三等水准测量。     

RBF神经网络在GPS高程拟合中的应用与精度分析

高程异常值的快速、准确获取是GPS高程数据得到应用的前提。本文提出一种基于RBF神经网络的GPS高程拟合方法,针对RBF基函数中心的确定以及网络模型参数的选择问题,采用K-means算法自适应的实现对RBF基函数中心的选择,在此基础上利用AIC准则完成对网络模型参数的自动寻优,最后采用实际数据对所提方法进行验证,并与传统BP神经网络拟合方法进行对比,实验结果表明所提方法可以获得更好的拟合精度。     

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。     

卫星定位高程拟合模型优选

卫星定位高程拟合模型常用的有曲面拟合模型、多面函数拟合模型及神经网络模型等。这些拟合模型均有其优势和局限性。针对如何选取小区域的最优高程拟合模型问题,提出了运用二次曲面模型、三次曲面模型、多面函数模型及BP神经网络模型分别对GPS高程进行拟合的方法进行验证。该实验以山东省某矿区的实测数据为例,对比分析各个模型的优缺点,并运用AIC准则对模型进行综合评定。实验结果表明,对于小区域小数据量的卫星定位高程拟合,多面函数拟合模型为最优模型。     

改进K均值聚类的点云林木胸径提取

针对现有胸径提取精度不够高、自动化程度低等不足,基于地基激光雷达胸径切片点云数据,该文提出了一种改进K均值聚类的林木胸径提取方法.利用约束条件优化初始种子点的选择原则,避免随机种子点选择造成聚类结果陷入局部最优;采用拐点法自适应确定聚类目标类别数目,提高单木胸径点分割的自动化程度;根据点云与类别中心统计参数识别并剔除非目标对象点,通过圆模型参数求解实现胸径值计算.结果 表明:改进后的K均值聚类能快速实现林木胸径点的批量化提取,无须林木数目、样地大小等先验知识,具有自动化程度高、抗噪性强的优势.该研究对地基激光雷达在林业资源调查及生产管理应用具有一定的实际应用参考价值.     

RBF神经网络—半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型。结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行。     

GPS高程拟合方法及评价准则研究

GPS获得的大地高需要转换成正常高才能得到工程应用。该文针对某测区的GPS和水准数据的高程转换问题,分别利用曲线拟合法、曲面拟合法、BP神经网络拟合法和RBF神经网络拟合法对该问题进行研究,并提出不同的精度评价准则对上述模型在工程应用中的可行性及精度进行分析。结果表明,在区域范围较小且呈面状分布的地区,采用RBF神经网络相对于曲线拟合模型、曲面拟合模型和BP神经网络模型,可以获得更高的拟合精度以及鲁棒性。本文的对比分析结果可以供读者在实际工程应用过程中参考。     

RBF神经网络一半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型.结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行.     

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。     

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。     

多维直线概括模型的总体最小二乘估计

针对总体最小二乘估计准则在直线拟合应用中存在的问题,该文在分析当前多种直线拟合模型及相应总体最小二乘估计方法的基础上,提出了附约束的N维直线概括模型及其总体最小二乘分步解法。首先利用间接平差方法通过迭代计算求出总体残差,然后通过条件平差分配残差到各观测量。仿真计算结果验证了该模型及方法的正确性和有效性。     

带有确定度的模糊图像分类

提出带有确定度的关联度的图像模糊分类新方法。该方法在求得每幅图像相对各个图像类别的关联度基础上,求得一幅图像相对各个类别的确定度,将一幅图像的确定度作为相应图像关联度的权,以带权的关联度为最大准则,确定待识别图像类别的属性。识别图像类别的第二个准则是,以带有确定度的关联度为特征,采用与聚类中心距离最小准则,确定待识别图像的类别。通过由三种不同类别图像组成的多种组合的试验,试验中满足两个准则之一的实验结果表明,该方法的结果具有一定的优势。     

基于EM和BIC的直方图拟合方法应用于遥感变化检测阈值确定

利用遥感图像进行变化检测时,确定"差异图像"上各变化类型的阈值非常关键.本文引入图像直方图拟合方法来确定变化阈值.首先通过基于变化向量分析方法,得到变化强度图像,然后假设该变化强度图像中的像元值符合混合高斯分布模型,利用期望最大(EM)算法和贝叶斯信息准则(BIC)求出最佳的混合高斯分布模型,拟合此时的图像直方图,最后利用贝叶斯判别准则确定出各变化类型的变化阈值.试验证明,这种方法是一种较为有效的自动确定变化阈值的方法.     

GNSS时序噪声模型估计准则可靠性分析

针对GNSS时间序列噪声难辨识问题，该文仿真100组不同时间跨度FNWN、PLWN、GGMWN、RWFNWN噪声背景的高程时间序列，并AIC、BIC、BIC＿tp噪声模型估计准则进行分析，论证不同估计准则的可靠性、适用性，并进一步探讨了时间跨度与噪声模型对站速度估计的影响。结果表明：AIC对RW、PL噪声分量比较敏感，相比其他准则更容易辨识出坐标序列中存在的RW噪声；当时间跨度大于20 a时，AIC、BIC、BIC＿tp模型估计准则的准确识别率一致性较好；对于FNWN模型，AIC估计准则的辨识率较差。随着时间跨度的增加，GNSS站速度的确定精度逐步提高。不同噪声模型假设下，站速度不确定度存在较大差异，准确的噪声模型辨识是获取可靠的站速度及不确定度的关键。     

GPS高程拟合模型的优选

在工程实践中,二次曲面模型在GPS高程转换过程中为较优的模型,可以达到三四等水准的要求,但没有在理论上得到阐述。鉴于此,运用日本统计学家提出的AIC准则,对各个模拟模型进行优选,即把AIC的值分为两个部分,分别代表模型的内附精度和外附精度,将两个值相加得到AICt,并和模型的内附精度和外附精度的均方差、最大误差、最小误差相比较,证明AIC准则应用于判定GPS高程转换模型优选的有效性,进而从理论上证明,二次曲面模型在GPS高程转换过程中为较优模型。     

基于分裂合并的多模型拟合方法在点云分割中的应用

本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二：海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。     

基于主成分回归的GPS高程曲面拟合

本文阐述了多项式曲面拟合GPS高程中参数数目对法方程条件数和结果的影响,当过度参数化时,观测方程的法方程会病态,传统的最小二乘无法得到可靠的结果,岭估计到目前为止仍然没有一种很好的确定岭参数的方法,主成分估计可以在保持原始数据信息损失最少的前提下,实现数据的降维避免法方程病态,从而得到参数的精确估值。并且把该方法运用于某测区,通过比较不同方法和不同参数数目时的计算结果,得出主成分估计在不同参数时都可以取得比较满意的结果,同时计算结果表明中心化和标准化对于多项式曲面拟合GPS高程的必要性。     

GPS水准拟合模型的优选

根据拟合模型的优选标准，提出在GPS水准的高程异常拟合中如何找出最优拟合函数的实施途径。并给出相应的统计检验方法。     

GPS高程拟合精度的研究

本文围绕如何提高GPS高程拟合精度进行分析,对GPS高程拟合模型的优选以及模型参数的优选进行了讨论,并以实例来验证了模型优选方法对提高拟合精度的有效性。     

不同解算策略对GPS坐标序列噪声模型建立及速度影响

解算策略选择与GPS站速度及参数模型估计密切相关,本文选取陆态网下121个GPS基准站2011—2019年时间序列作为研究对象,采用赤池信息量准则/贝叶斯信息量准则(AIC/BIC)最优噪声模型评价准则,探讨GAMIT、Bernese及二者联合解算策略(Comb)对GPS坐标序列噪声模型和速度估计的影响.?结果表明:不...