基于改进RBF神经网络的GNSS高程拟合

针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。     

基于改进小波神经网络的GPS高程拟合研究

针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结...     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

基于模糊Hopfield神经网络的大气降水粒子分类

提出基于模糊Hopfield神经网络的大气降水粒子分类,它是通过计算样本间的模糊关系的相似程度,再加上Hopfield网络所特有的高稳定性,对大气降水粒子进行分类.通过对各降水粒子所对应雷达回波数据的分析,验证了方法的可行性.     

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。     

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。     

基于蚁群算法的多面函数在GPS高程拟合中的应用

针对多面函数拟合法的中心节点难以选取的问题,提出将蚁群算法引入多面函数并结合稳健估计构建高精度拟合模型的方法。利用蚁群算法在复杂地形中快速寻找特征点,与少量非特征点共同作为中心节点参与模型构建,将稳健估计加入多面函数,运用选权迭代法剔除粗差对拟合模型的影响。GPS高程拟合数据处理实例表明,基于蚁群算法的多面函数结合稳健估计的拟合方法可有效剔除粗差的影响,且拟合精度比只用均匀格网法提高26%。     

二维Vondrak滤波在高程异常拟合中的应用

将二维Vondrak滤波与多面函数拟合相结合应用到高程异常的拟合中,实例证明此方法在高程异常拟合中的应用是可行的,与单纯的多面函数拟合法相比,最大精度可提高76.4%,中误差降低54.72%。     

基于广义回归神经网络的GPS高程转换

为提高GPS高程转换的精度,采用广义回归神经网络(GRNN)进行拟合。将控制点的X、Y坐标作为网络输入,高程异常作为网络输出,采用实验数据训练网络,训练完成的网络作为模型进行高程异常预测。结果表明,GRNN方法具有较高的GPS转换精度。     

多面函数参数自适应选取方法在GPS高程拟合中的应用

提出一种综合的多面函数参数自适应选取方法。该方法利用核函数阶数和平滑因子存在最优值以及核函数结点分布应符合高程异常变化趋势的特点,综合利用正交化算法选取核函数结点以及二维粒子群算法确定最佳阶数和平滑因子,实现多面函数参数的完全自适应选取。将该方法应用于地形起伏差异不同的2个测区,结果表明,相比传统经验性方法和部分参数自适应方法,该方法用于GPS高程拟合的精度和可靠性更高。     

遗传神经网络在地面沉降趋势预测中的应用

受地下流体资源和固体矿物开采、地面动静荷载、地下空间开发等人为因素的影响,区域性地面沉降问题越来越突出;构建区域地面沉降预测预报模型,及时发现潜在隐患并拟定合理的防治措施对保障经济社会与生态环境可持续发展方面具有重要意义。该文基于遗传算法的神经网络在地面沉降趋势预测中应用,对几种算法从训练速度、拟合水平以及预测能力方面作了比较分析。     

贝叶斯正则化的Elman神经网络电离层TEC预报模型

利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。     

Elman神经网络在区域速度场建模中的应用

鉴于欧拉矢量参数在局部区域适应性较差,提出一种基于Elman神经网络的速度场逼近方法。首先利用已有欧拉矢量参数估计站点速度,将剩余残差作为Elman神经网络拟合量进行逼近;然后将Elman神经网络估计结果与欧拉矢量计算速度相叠加,获得区域速度场模型。利用山东区域速度场数据进行验证,结果表明,该方法在一定程度上能够削弱系统误差影响,提高计算精度。     

基于人工神经网络的多特征因子路网匹配算法

在综合考虑多个特征因子的线要素匹配时,根据经验知识确定各特征因子的权值会造成人为误差。针对该问题,本文提出了基于人工神经网络的多特征因子路网匹配算法,根据线要素的几何和拓扑特性选取长度、方向、形状、距离及拓扑5个特征因子的相似度作为路网匹配参考因子。首先,分别在参考图层和待匹配图层中选取样本数据组成样本对,计算样本数据的5个特征因子相似度,用样本数据的5个特征因子相似度和样本的匹配度组成学习模式对;然后,利用BP神经网络的误差反向传播机制自动学习调整各神经层之间的连接权值;最后,输入全部数据,计算参考图层的弧段和待匹配图层的弧段间的匹配度,实现综合多特征因子的路网匹配。实验结果表明,利用人工神经网络进行综合多特征因子的路网匹配可以提高匹配效率和匹配准确度。     

基于RBF神经网络的OSM道路网智能选取

针对目前自动制图综合方法在软件平台没有普及,电子地图仍以人工编制为主,Open Street Map(简称OSM)道路不适合作为标准地图等问题,提出了一种将径向基函数神经网络(Radial Basis Function, RBF)应用在OSM道路网自动选取中的方法。根据多种常用的语义、几何、拓扑参数综合考虑道路网的重要性,并将该算法在系统平台中加以实现,以期为OSM道路网自动选取的精度提高和应用普及提供解决方案。实验结果与实际制图结果在形状结构上保持良好,精度为86.92%,相较于BP(Back Propagation)神经网络算法的效果有所提高。     

高程异常拟合病态EIV模型的广义岭估计算法

应用法方程矩阵的特征向量构造正则化矩阵,改进通过单一参数既要实现降正则化、又要实现正则化的高程异常拟合病态模型算法。以二次多项式拟合模型为例,应用实测数据对算法进行验证,并与现有病态模型的正则化算法进行比较。