基于K-L变换的自组织竞争神经网络在海底底质分类中的应用

针对海底质地的特点,利用灰度纹理共生矩阵作为特征参数,K-L变换对海底底质图像进行降维,采用自组织竞争神经网络对图像进行自动分类,对各分类方法精度进行对比。以海底侧扫声纳图像为例,通过实测数据验算,取得理想的效果。     

BP神经网络用于水下地形适配区划分的方法研究

为确保背景场中最优适配航线设计的正确性以及水下地形匹配导航的可靠性,提出了一种基于BP神经网络的背景场适配/误配区自动识别和划分方法,该方法通过分析地形背景场特征参量显著性和主成分、构建BP神经网络、建立输入地形特征参量与匹配性能的映射关系,最终实现了地形背景场误配/适配区的自动识别和划分。试验验证了本方法的有效性。     

基于加速遗传算法的GPS变形监测单历元求解算法

在获取监测点初始坐标的基础上,提出利用一种变区间的二进制编码加速遗传算法(AGA),以模糊函数作为适应度函数,对监测点坐标进行全局最优搜索,当坐标误差小于0.04m时,推算出坐标对双差模糊度的影响为0.3周,取整法即可精确固定双差模糊度.实例证明,该方法具有快速、稳健等特点,有较高的可靠性和实用性,适用于任意变形量的监测项目.     

基于GPS动态相对定位的数据处理方法的研究

本文首先介绍了GPS动态相对定位的数据预处理和周跳探测方法和流程,这是实现高精度定位的前提,然后提出一种确定GPS双差整周模糊度的方法,采用M-W组合的方式,经过多历元的数据平滑得到精度在±1周以内的宽巷模糊度的浮点解,然后利用残差验后方差最小的原则搜索整周模糊度,最后用自编程序对实测数据进行验证,证明了本文方法的有效性。     

基于广播星历和神经网络的GPS卫星坐标计算方法

通过在开普勒轨道模型中加入神经网络算法,得到一种全新的卫星坐标计算的混合模型:基于广播星历和神经网络混合模型,从而提高了利用广播星历计算卫星坐标的精度。计算结果表明:混合模型较传统的开普勒轨道模型在X、Y、Z3个方向上卫星坐标计算的精度提高了约10%。     

二、P21 普通测量学、地形测量学

正CH20120667基于距离场映射的地形可视域分析方法=Terrain Viewshed Analysis Method Based on Distance Field Mapping/王晨昊,汤晓安,马伯宁,冷志光(国防科学技术大学)//测绘学报.-2011,40(5).-563～568     

高速公路路基沉降预测的神经网络模型

软土地基的沉降控制是保证高速公路建设质量的一个关键技术.论文主要介绍了一个对高速公路路基沉降进行预测的神经网络模型.对神经网络的BP算法进行了改进,提高了BP算法的学习收敛速度和网络性能的稳定性.神经网络法预测路基沉降的难点之一是合适的训练样本构造问题,论文提出了新颖独特的“训练样本”构造方法,且应用效果良好.利用路基沉降量实测资料直接建模,采用BP网络计算的改进算法,可较为准确地预测大约4个月之后的沉降量,预测值与实测值吻合较好.     

三、P22 大地测量学

正CH20121317卫星重力梯度数据确定地球重力场的Sle-pian局部谱分析方法=Slepian Localized Spectral Analysis of the Determination of the Earth’s Gravity Field Using Satellite Gravity Gradiometry Data/朱广彬(国家测绘地理信息局卫星测绘应用中心),李建成,文汉江,常晓涛,王正涛,邹贤才//测绘学报.-2012,41(1).-1～7在引入Slepian局部谱分析方法的基础上,详细分析Slepian函数的数学特性,采用Grünbaum算子提高Slepian方法求解的稳定性和效率,推导卫星重力梯度数据确定地球重力场的Slepian方法表达式。通过仿真分析,就Slepian方法在卫星重力梯度数据确定地球重力位模型中的应用和前景进行分析和讨论。研究表明,Slepian函数在整个球面和球带上具有双正交性,其频谱能量分布特性与卫星轨道的测量特点具有很好的一致性。Slepian低次项系数精度受到极空白影响很小,较之球谐系数低次项明显改善。Slepian方法对大地水准面空间分布恢复精度的直接贡献不明显。图6表1参19     

GPS姿态测量中模糊度搜索方法的确定与比较

GPS载波相位观测值作为高精度观测量在姿态测量中得到广泛应用。姿态测量系统中,基线长度可以通过提前量测精确求得。作为约束条件,可以用于模糊度搜索,提高模糊度搜索效率和准确度。本文介绍了传统的LAMBDA方法,且在此基础上提出了附有基线长度约束的LAMBDA搜索方法,并比较了两者的搜索效率。     

基于神经网络的房地产估价研究

根据房地产估价的特点将人工神经网络引入到房地产价格评估领域,创建了基于神经网络的房地产估价模型,在对训练样本验证结果分析的基础上,对两种神经网络估价模型进行了对比分析,指出了两种网络各自的优缺点以及改进措施。