CN101319893A - 精确确定区域高程异常的方法 - Google Patents
精确确定区域高程异常的方法 Download PDFInfo
- Publication number
- CN101319893A CN101319893A CNA2008100226464A CN200810022646A CN101319893A CN 101319893 A CN101319893 A CN 101319893A CN A2008100226464 A CNA2008100226464 A CN A2008100226464A CN 200810022646 A CN200810022646 A CN 200810022646A CN 101319893 A CN101319893 A CN 101319893A
- Authority
- CN
- China
- Prior art keywords
- delta
- centerdot
- height anomaly
- value
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
精确确定区域高程异常的方法是一种利用神经网络技术和格网技术精确求定区域高程异常的方法,具体为:1)确定区域范围并布点、2)野外测量(数据采集)、3)二次多项式拟合、4)测量平差、5)神经网络模拟计算、6)模型精化、7)区域格网化、8)高程异常内插;使用该方法区域高程异常计算结果精度高,使得GPS高程测量成果的应用范围扩大。经过大量工程实例应用结果分析,本发明方法较之二次多项式拟合,高程异常的计算结果精度要提高20%-60%。精度提高之后,GPS高程可以代替低等级的水准测量,从而使费用高、难度大、周期长的传统低等级水准测量工作量减少到最低限度,经济效益明显。
Description
技术领域
本发明是一种利用神经网络技术和格网技术精确求定区域高程异常的方法,属于“测绘科学与技术”学科中的“大地测量学”技术领域。
背景技术
“高程异常”是指地球椭球面与地球似大地水准面之间的差异;“区域”是指地球表面的一部分。确定区域高程异常是大地测量学的一项重点工作,也是一个极具重要实用价值的工程任务。可以说,确定区域高程异常,就是现今GPS定位时代建立和维护国家高程参考框架,与建立国家高精度GPS定位网或传统的国家高程控制网具有同样的重要意义,也是一个国家发展测绘事业的一项大地测量基础建设。
目前,确定区域高程异常的主要计算方法有以下两种:(1)重力似大地水准面的计算。按照莫洛金斯基理论求定高程异常,在计算过程中一般采用两次移去-恢复技术方法。此方法的缺点是精度较低,不能满足工程需要。(2)利用GPS水准计算高程异常。如果在一个点上采用GPS观测技术精确地求定该点的大地高,同时又通过精密水准求得该点正常高,两者之差即为该点的高程异常,其精度比第一种方法要高,具体精度取决于GPS测定大地高的精度和水准测量正常高的精度。如果在一个区域布设有足够多的GPS水准点,那么通过计算这些点的高程异常值,便可以建立该区域高程异常计算模型。这是目前确定省市级(区域)高程异常的常用方法。
目前,我国广泛采用上述第二种方法(GPS水准)来计算高程异常。在该方法中,区域高程异常的主要计算模型有:二次多项式拟合、神经网络BP算法拟合和格网技术等。但概括起来,这些方法存在以下不足:
1)似大地水准面作为一种具有物理意义的曲面,在局部范围内变化是连续的,可以采用数学方法来进行拟合。因此,多项式拟合方法被广泛采用。目前,我国基本上是采用二次多项式拟合法,该方法虽然计算结果稳定,但计算结果精度较低,使得GPS高程测量成果的应用范围较小。
2)神经网络BP算法拟合方法,其计算结果精度明显高于二次多项式拟合法,但计算复杂,计算时间长,而且计算结果不稳定,因此,目前在工程中该方法较少被采用。
3)格网技术是美国采用的方法,该方法计算模型简单,简便快速,但要求区域内已知控制点有较高的密度(野外测量成本较高),否则,该方法计算结果精度不高。
针对这些方法存在的以上不足,本发明通过研究神经网络技术和格网技术等优点,提出采用一定的工作流程来精确确定区域高程异常。本发明的实质是将上述三种方法按照规定的流程进行有机地结合,实现了以上各种方法的优势互补,可以大大提高区域高程异常的计算结果精度。如果能精确求出区域高程异常,则对推动GPS技术尤其是快速定位技术如GPS RTK技术在测量中广泛应用,使GPS技术不仅确定平面位置,更重要的是代替低等级的水准测量,从而使费用高、难度大、周期长的传统低等级水准测量工作量减少到最低限度,具有非常重要的现实意义。
发明内容
技术问题:本发明的目的是提供一种精确确定区域高程异常的方法,使用该方法区域高程异常计算结果精度高,使得GPS高程测量成果的应用范围扩大,使用方便。
技术方案:本发明的精确确定区域高程异常的方法为:
a.确定区域经度范围和纬度范围,在区域内选取数量S应大于等于10个的“测量控制点”,并均匀分布于整个区域,
b.通过野外测量,采集所有控制点的纬度Bi、经度Li、大地高HGi、正常高H0i的信息,其中i=1,2,…,S,
c.信息处理,先计算各点的高程异常ξi=HGi-H0i,再利用二次多项式对区域高程异常进行拟合,根据控制点信息建立S个误差方程式,误差方程式通式为:
vi=b0+b1·ΔBi+b2·ΔLi+b3·ΔBi 2+b4·ΔBi·ΔLi+b5·ΔLi 2-ξi
写成矩阵形式为:
其中,
ΔBi=Bi-B0, ΔLi=Li-L0, 然后,按照下式计算待定参数X的估计值:
d.神经网络模拟:先根据下式计算各点的多项式拟合值ξ′和拟合偏差值Δξ:
Δξi=ξi-ξ′i
然后,将控制点的测量数据和计算数据按3×P×1的网络结构构成学习样本,利用神经网络BP算法进行训练,
d1.BP网络的输入层元素个数为3,分别为:B、L、ξ′,
d2.BP网络的隐含层元素个数为P,P值计算公式为:P=15+INT(S/10),
d3.BP网络的输出层元素个数1,为:Δξ,
神经网络训练结束后,实质上就得到了该区域Δξ的神经网络计算模型,该区域内任意点的多项式拟合偏差值Δξ*均可根据该神经网络模型计算得到,
e.模型精化公式为:ξ*=ξ′+Δξ*,式中,ξ′为二次多项式计算值;Δξ*为神经网络模拟值;ξ*为经过模型精化之后的高程异常计算结果,
f.选择格网值,如1′×1′,将区域格网化,格网化之后,计算所有格网点的大地坐标值(B、L),然后,根据模型精化公式计算所有格网点的高程异常值ξi *,最后,将所有格网点的大地坐标(Bi、Li)和高程异常值(ξi *)存入到一个数据库文件中,此时,实质上,该区域的高程异常计算模型就以格网的形式建立起来了,
g.格网建立起来后,编制高程异常内插软件,利用软件精确计算出该区域内任意一点的高程异常值。
神经网络BP算法中,BP网络的结构为3×P×1:输入层元素为3(B、L、ξ′);隐含层单元数为P,其计算公式为P=15+INT(S/10),S为参与模拟计算的控制点个数;输出层元素为1(Δξ)。
有益效果:本发明的精确确定区域高程异常的实现方法具有以下优点:
1)区域高程异常计算结果精度高,使得GPS高程测量成果的应用范围扩大。经过大量工程实例应用结果分析,本发明方法较之二次多项式拟合,高程异常的计算结果精度要提高20%-60%。精度提高之后,GPS高程可以代替低等级的水准测量,从而使费用高、难度大、周期长的传统低等级水准测量工作量减少到最低限度,经济效益明显。
2)使用方便。区域高程异常计算模型最后是建立在格网之中,这样,在计算该区域内待定点的高程异常时,只需调用高程异常内插程序,快速、方便。
附图说明
图1是神经网络BP网络结构图,
图2是高程异常内插模型,
图3是实施例区域GPS水准点分布图。
具体实施方式
1)确定区域范围并布点。首先确定区域范围(一般确定经度范围和纬度范围);然后,在该区域内选取一定数量的“测量控制点”,测量控制点的数量(S)应视区域大小而定,但S至少要大于等于10个,并均匀分布于整个区域。
2)野外测量(数据采集)。要求对测量控制点进行两项测量工作,GPS测量和水准测量,以便获取有关数据。
(1)GPS测量:按照国家测量规范要求,对所有控制点进行B级或C级GPS测量,目的是获取各控制点的大地坐标(纬度B、经度L)和大地高(HG)。
(2)水准测量:按照国家测量规范要求,对所有控制点进行二等或三等水准测量,目的是获取各控制点的正常高高程(H0)。
3)二次多项式拟合。利用野外测量获取的数据,根据公式(1)计算所有控制点的高程异常ξ:
ξ=HG-H0 (1)
然后,利用二次多项式建立区域高程异常数学模型:
ξ=b0+b1·ΔB+b2·ΔL+b3·ΔB2+b4·ΔB·ΔL+b5·ΔL2 (2a)
ΔBi=Bi-B0; ΔLi=Li-L0;
式中,ξ为控制点的高程异常;bi为二次多项式模型的待定参数(共6个);Bi、Li分别为控制点的纬度、经度;B0、L0分别为区域纬度、经度的重心坐标值;S为控制点的个数。
4)测量平差:将S个控制点的数据代入(2)式,可以得到S个误差方程式,误差方程式通式为:
vi=b0+b1·ΔBi+b2·ΔLi+b3·ΔBi 2+b4·ΔBi·ΔLi+b5·ΔLi 2-ξi
写成矩阵形式为:
根据《测量平差》的“最小二乘法”原则,可以求出公式(2)中6个待定参数X的估计值:
5)神经网络模拟计算。当根据公式(4)求得待定参数bi之后,此时,再根据以下公式对所有控制点进行二次多项式拟合,求出各控制点的“多项式拟合值ξ′”和“多项式拟合偏差值Δξ”:
Δξi=ξi-ξ′i (i=1,2,…,S) (6)
然后,将已知控制点的测量数据和计算数据按一种特殊的格式构成学习样本,利用神经网络BP算法进行训练。特殊的BP网络结构为:3×P×1,参考图1。
(1)BP网络的输入层元素个数为3,分别为:(B、L、ξ′)。
(2)BP网络的隐含层元素个数为P。P值的计算公式为:
P=15+INT(S/10) (7)
式中,S为控制点个数。如,假设S=23,则P=17。
(3)BP网络的输出层元素个数1,为:多项式拟合偏差值Δξ。
神经网络对已知控制点的模拟训练结束后,实质上,我们就得到了该区域Δξ的神经网络计算模型。该区域内任意点的“多项式拟合偏差值Δξ*”均可根据该神经网络模型计算得到。
6)模型精化:模型精化公式为:
ξ*=ξ′+Δξ* (8)
式中,ξ′为二次多项式计算值;Δξ*为神经网络模拟值;ξ*为经过模型精化之后的高程异常计算结果。
7)区域格网化:区域格网化是指将区域按照一定的经度差和纬度差进行分割。格网值可选择5′×5′、2′×2′或1′×1′。格网化之后,计算所有格网点的大地坐标值(B、L)。然后,根据公式(8)计算所有格网点的经过模型精化的高程异常值ξi *。最后,将所有格网点的大地坐标(Bi、Li)和高程异常值(ξi *)存入到一个数据(库)文件中。此时,实质上,该区域的高程异常计算模型就以格网的形式建立起来了。
8)高程异常内插。在基于格网的区域高程异常计算模型建立之后,在该区域内,当给定任意一点P的坐标,首先找到该点所在的格网(见图2),可根据该格网点1、2、3、4点的高程异常值(ξ1、ξ2、ξ3、ξ4)内插计算出P点的高程异常(ξP)。内插计算思路为:(1)先根据1、2点内插计算P1点的高程异常。此三点的经度相同,根据它们之间的纬度差可以内插出P1点的高程异常。(2)同理,根据3、4点内插计算P2点的高程异常。(3)最后,根据P1、P2点内插计算P点的高程异常。此三点的纬度相同,根据它们之间的经度差可以内插出P点的高程异常。
下面结合具体实施例,对本发明方法作进一步详细说明。实施例,如图3所示。
1)确定区域范围并布点
区域范围:经度范围为120°00′-120°08′,纬度范围为31°50′-31°58′;区域面积约200km2。然后,在该区域内选取均匀分布于整个区域的“测量控制点”16个(S=16,点号分别为1、55、34、9、37、19、41、21、48、50、16、3、6、14、36、52,见表1中前16个点)。为了检验本发明方法的效果,实际上我们在该区域内又布设了30个检验点(见表1中后30个点),合计46个点。点位分布如图3所示。
2)野外测量(数据采集)
按照国家测量规范要求,对所有控制点和检验点进行了C级GPS测量和三等水准测量,所有结果见表1(第1列-第5列)。
表1测量数据表(含部分计算结果)
(备注:ξ′i为二次多项式计算结果;ξi *为本发明方法计算结果。)
点号 | B(度) | L(度) | HG(m) | H0(m) | ξi(m) | ξ′i(m) | Δξi(m) | ξi *(m) |
(1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | (9) |
1 | 31.95029754 | 120.01748940 | 10.3200 | 6.9440 | 3.3760 | 3.3775 | -0.0015 | 3.3777 |
55 | 31.83811638 | 120.03651840 | 8.3390 | 4.8810 | 3.4580 | 3.4587 | -0.0007 | 3.4591 |
34 | 31.88949314 | 119.99906070 | 8.1791 | 4.8070 | 3.3721 | 3.3690 | 0.0031 | 3.3704 |
9 | 31.91547406 | 120.13171990 | 11.2820 | 7.4080 | 3.8740 | 3.8767 | -0.0027 | 3.8756 |
37 | 31.86791408 | 120.13222340 | 6.8369 | 2.9400 | 3.8969 | 3.8935 | 0.0034 | 3.8958 |
19 | 31.92630209 | 120.03524000 | 9.0495 | 5.5660 | 3.4835 | 3.4890 | -0.0055 | 3.4850 |
41 | 31.88243876 | 120.03407180 | 9.1193 | 5.6110 | 3.5083 | 3.5060 | 0.0023 | 3.5065 |
21 | 31.89360849 | 120.11777000 | 8.8020 | 4.9660 | 3.8360 | 3.8395 | -0.0035 | 3.8376 |
48 | 31.86013553 | 120.00359200 | 9.9079 | 6.5460 | 3.3619 | 3.3631 | -0.0012 | 3.3635 |
50 | 31.85828419 | 120.05628700 | 9.0863 | 5.5130 | 3.5733 | 3.5751 | -0.0018 | 3.5740 |
16 | 31.91090507 | 120.08152320 | 11.1452 | 7.4580 | 3.6872 | 3.6859 | 0.0013 | 3.6869 |
3 | 31.95249402 | 120.05032360 | 10.7920 | 7.2940 | 3.4980 | 3.4955 | 0.0025 | 3.4962 |
6 | 31.93937727 | 120.09661860 | 10.8560 | 7.1520 | 3.7040 | 3.7009 | 0.0031 | 3.7026 |
14 | 31.93117781 | 120.05963690 | 10.4870 | 6.9120 | 3.5750 | 3.5752 | -0.0002 | 3.5767 |
36 | 31.86843116 | 120.08788700 | 8.6527 | 4.9390 | 3.7137 | 3.7141 | -0.0004 | 3.7127 |
52 | 31.88971513 | 120.05819420 | 9.3683 | 5.7630 | 3.6053 | 3.6036 | 0.0017 | 3.6045 |
2 | 31.94983705 | 120.02778980 | 10.9070 | 7.4900 | 3.4170 | 3.4172 | -0.0002 | 3.4132 |
4 | 31.94844679 | 120.05712760 | 10.8930 | 7.3600 | 3.5330 | 3.5309 | 0.0021 | 3.5326 |
5 | 31.94473900 | 120.06810390 | 10.7890 | 7.2060 | 3.5830 | 3.5809 | 0.0021 | 3.5833 |
7 | 31.93012586 | 120.08822310 | 6.7420 | 3.0550 | 3.6870 | 3.6866 | 0.0004 | 3.6882 |
8 | 31.91786775 | 120.11973760 | 7.5370 | 3.7100 | 3.8270 | 3.8269 | 0.0001 | 3.8264 |
12 | 31.94109843 | 120.02348780 | 10.4730 | 7.0610 | 3.4120 | 3.4196 | -0.0076 | 3.4151 |
13 | 31.93859751 | 120.03592560 | 10.2390 | 6.7690 | 3.4700 | 3.4716 | -0.0016 | 3.4676 |
15 | 31.91949708 | 120.07291810 | 7.9170 | 4.2730 | 3.6440 | 3.6432 | 0.0008 | 3.6449 |
17 | 31.89893338 | 120.11503260 | 8.1894 | 4.3650 | 3.8244 | 3.8263 | -0.0019 | 3.8248 |
18 | 31.93077457 | 120.02191810 | 8.7105 | 5.2920 | 3.4185 | 3.4315 | -0.0130 | 3.4265 |
20 | 31.92759358 | 120.07268010 | 7.9632 | 4.3330 | 3.6302 | 3.6310 | -0.0008 | 3.6329 |
26 | 31.92301128 | 120.02402600 | 9.3829 | 5.9420 | 3.4409 | 3.4501 | -0.0092 | 3.4448 |
27 | 31.90807704 | 120.04517810 | 9.0369 | 5.4840 | 3.5529 | 3.5463 | 0.0066 | 3.5463 |
28 | 31.90105484 | 120.08213990 | 10.1232 | 6.4260 | 3.6972 | 3.6954 | 0.0018 | 3.6958 |
29 | 31.88121103 | 120.09284340 | 9.5731 | 5.8340 | 3.7391 | 3.7406 | -0.0015 | 3.7389 |
30 | 31.88690063 | 120.13008290 | 8.3344 | 4.4420 | 3.8924 | 3.8900 | 0.0024 | 3.8883 |
31 | 31.89703452 | 120.12732670 | 8.0555 | 4.1830 | 3.8725 | 3.8759 | -0.0034 | 3.8740 |
32 | 31.89389944 | 120.00305920 | 8.9606 | 5.5700 | 3.3906 | 3.3854 | 0.0052 | 3.3845 |
35 | 31.91099249 | 120.04228210 | 7.7694 | 4.2440 | 3.5254 | 3.5329 | -0.0075 | 3.5320 |
40 | 31.88650798 | 120.02324010 | 8.9626 | 5.4970 | 3.4656 | 3.4642 | 0.0014 | 3.4627 |
42 | 31.88780602 | 120.02936400 | 10.5938 | 7.1040 | 3.4898 | 3.4889 | 0.0009 | 3.4883 |
43 | 31.87850625 | 120.08410490 | 10.3744 | 6.6700 | 3.7044 | 3.7047 | -0.0003 | 3.7031 |
44 | 31.87328079 | 120.03513800 | 8.9692 | 5.4630 | 3.5062 | 3.5049 | 0.0013 | 3.5054 |
45 | 31.85685481 | 120.04336680 | 9.4877 | 5.9680 | 3.5197 | 3.5205 | -0.0008 | 3.5193 |
49 | 31.85865423 | 120.03340850 | 9.3983 | 5.9170 | 3.4813 | 3.4824 | -0.0011 | 3.4814 |
51 | 31.86440543 | 120.08379210 | 8.8274 | 5.1330 | 3.6944 | 3.6940 | 0.0004 | 3.6932 |
53 | 31.85298955 | 120.00868120 | 7.5553 | 4.1840 | 3.3713 | 3.3728 | -0.0015 | 3.3718 |
54 | 31.83874673 | 120.04795160 | 7.3197 | 3.8140 | 3.5057 | 3.5074 | -0.0017 | 3.5083 |
57 | 31.85137294 | 120.06086690 | 9.0442 | 5.4620 | 3.5822 | 3.5839 | -0.0017 | 3.5849 |
58 | 31.88791879 | 120.06375270 | 10.0417 | 6.4150 | 3.6267 | 3.6256 | 0.0011 | 3.6261 |
3)二次多项式拟合
然后,按照公式(1)计算高程异常(见表1第6列);再利用16个已知控制点,根据公式(2),采用二次多项式建立区域高程异常数学模型。
4)测量平差
将16个已知控制点(表1中前16个点)的数据代入(2)式,可以得到16个误差方程式,根据《测量平差》的“最小二乘法”原则,可以根据公式(4)求出公式(2)中6个待定参数的估计值,结果见表2。
表2待定参数bi计算结果表
b0=3.61875905762504 | b1=-0.344029126914435 | b2=3.94235874377061 |
b3=-20.2553881939662 | b4=-3.41772125624013 | b5=8.79835040380865E-02 |
5)神经网络模拟计算
当根据公式(4)求得待定参数bi之后,此时,再根据公式(5)和(6)求出各控制点的“多项式拟合值ξ′”和“多项式拟合偏差值Δξ”,计算结果见表1第7列和第8列。
然后,将16个控制点的测量数据(B、L)和计算数据(ξ′、Δξ)按图1的神经网络BP网络结构进行训练,根据公式(7)计算得P=16,故BP网络的具体结构为3×16×1。神经网络训练结束后,实质上,我们就得到了该区域Δξ的神经网络计算模型。该区域内任意点的“多项式拟合偏差值Δξ*”均可根据该神经网络模型计算得到。
6)模型精化
按照公式(8)进行模型精化。经过模型精化之后的高程异常计算结果为ξ*,本例计算结果见表1第9列。
7)区域格网化
本实例经度范围为120°00′-120°08′,纬度范围为31°50′-31°58′;格网值选择1′×1′,则区域共分为64个格网。格网化之后,计算所有格网点的大地坐标值(B、L)。然后,根据公式(8)计算所有格网点的经过模型精化的高程异常值ξi *。最后,将所有格网点的大地坐标(Bi、Li)和高程异常值(ξi *)存入到一个数据库文件中。此时,实质上,该区域的高程异常计算模型就以格网的形式建立起来了。
8)高程异常内插
利用编制软件进行内插。略。
9)精度比较
本例现有30个检验点,可以用来检验不同方法的拟合效果。利用中误差M来评价其精度:
式中,yi *为第i点的不同方法拟合结果,yi为第i点的已知值,n为检验点的个数。(注:检验点的中误差M越小,精度越高,表明拟合效果越好。)检验结果见表3。与二次多项式拟合相比,本发明方法计算高程异常的精度可提高26%。
表3不同方法检验点精度结果
Claims (2)
1、一种精确确定区域高程异常的方法,其特征在于,该方法包括以下步骤:
a.确定区域经度范围和纬度范围,在区域内选取数量S应大于等于10个的“测量控制点”,并均匀分布于整个区域,
b.通过野外测量,采集所有控制点的纬度Bi、经度Li、大地高HGi、正常高H0i的信息,其中i=1,2,…,S,
c.信息处理,先计算各点的高程异常ξi=HGi-H0i,再利用二次多项式对区域高程异常进行拟合,根据控制点信息建立S个误差方程式,误差方程式通式为:
vi=b0+b1·ΔBi+b2·ΔLi+b3·ΔBi 2+b4·ΔBi·ΔLi+b5·ΔLi 2-ξi
写成矩阵形式为:
其中,
ΔBi=Bi-B0, ΔLi=Li-L0, 然后,按照下式计算待定参数X的估计值:
d.神经网络模拟:先根据下式计算各点的多项式拟合值ξ′和拟合偏差值Δξ:
Δξi=ξi-ξ′i
然后,将控制点的测量数据和计算数据按3×P×1的网络结构构成学习样本,利用神经网络BP算法进行训练,
d1.BP网络的输入层元素个数为3,分别为:B、L、ξ′,
d2.BP网络的隐含层元素个数为P,P值计算公式为:P=15+INT(S/10),
d3.BP网络的输出层元素个数1,为:Δξ,
神经网络训练结束后,实质上就得到了该区域Δξ的神经网络计算模型,该区域内任意点的多项式拟合偏差值Δξ*均可根据该神经网络模型计算得到,
e.模型精化公式为:ξ*=ξ′+Δξ*,式中,ξ′为二次多项式计算值;Δξ*为神经网络模拟值;ξ*为经过模型精化之后的高程异常计算结果,
f.选择格网值,如1′×1′,将区域格网化,格网化之后,计算所有格网点的大地坐标值(B、L),然后,根据模型精化公式计算所有格网点的高程异常值ξi *,最后,将所有格网点的大地坐标(Bi、Li)和高程异常值(ξi *)存入到一个数据库文件中,此时,实质上,该区域的高程异常计算模型就以格网的形式建立起来了,
g.格网建立起来后,编制高程异常内插软件,利用软件精确计算出该区域内任意一点的高程异常值。
2、根据权利要求1所述的精确确定区域高程异常的方法,其特征在于,神经网络BP算法中,BP网络的结构为3×P×1:输入层元素为3(B、L、ξ′);隐含层单元数为P,其计算公式为P=15+INT(S/10),S为参与模拟计算的控制点个数;输出层元素为1(Δξ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810022646A CN100582661C (zh) | 2008-07-18 | 2008-07-18 | 精确确定区域高程异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810022646A CN100582661C (zh) | 2008-07-18 | 2008-07-18 | 精确确定区域高程异常的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101319893A true CN101319893A (zh) | 2008-12-10 |
CN100582661C CN100582661C (zh) | 2010-01-20 |
Family
ID=40180073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810022646A Expired - Fee Related CN100582661C (zh) | 2008-07-18 | 2008-07-18 | 精确确定区域高程异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100582661C (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175213A (zh) * | 2011-01-30 | 2011-09-07 | 中国测绘科学研究院 | Gps水准高程传递方法 |
CN102506812A (zh) * | 2011-11-18 | 2012-06-20 | 南京市测绘勘察研究院有限公司 | 一种变形监测基准点稳定性判断的vt检验方法 |
CN102589517A (zh) * | 2012-01-12 | 2012-07-18 | 东南大学 | 基于egm2008的区域似大地水准面精化方法 |
CN102607513A (zh) * | 2012-02-14 | 2012-07-25 | 东南大学 | 基于无缝分区技术的超大区域似大地水准面精化方法 |
CN102930176A (zh) * | 2012-11-22 | 2013-02-13 | 长沙理工大学 | 大地水准面模型九网格五样条插值方法 |
CN110986872A (zh) * | 2019-11-01 | 2020-04-10 | 中国人民解放军63653部队 | 多地形神经网络模型高程拟合测绘技术 |
CN111274738A (zh) * | 2020-02-25 | 2020-06-12 | 东南大学 | 一种高程异常值计算方法 |
CN112946691A (zh) * | 2021-02-06 | 2021-06-11 | 长江水利委员会水文局长江上游水文水资源勘测局 | 顾及高程异常趋势变化的带状区域坐标转换分段方法 |
CN114662059A (zh) * | 2022-05-25 | 2022-06-24 | 深圳市海伊石油技术有限公司 | 一种海上卫星大地坐标的高程拟合方法与装置 |
-
2008
- 2008-07-18 CN CN200810022646A patent/CN100582661C/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175213A (zh) * | 2011-01-30 | 2011-09-07 | 中国测绘科学研究院 | Gps水准高程传递方法 |
CN102175213B (zh) * | 2011-01-30 | 2013-01-30 | 中国测绘科学研究院 | Gps水准高程传递方法 |
CN102506812B (zh) * | 2011-11-18 | 2014-04-23 | 南京市测绘勘察研究院有限公司 | 一种变形监测基准点稳定性判断的vt检验方法 |
CN102506812A (zh) * | 2011-11-18 | 2012-06-20 | 南京市测绘勘察研究院有限公司 | 一种变形监测基准点稳定性判断的vt检验方法 |
CN102589517A (zh) * | 2012-01-12 | 2012-07-18 | 东南大学 | 基于egm2008的区域似大地水准面精化方法 |
CN102607513A (zh) * | 2012-02-14 | 2012-07-25 | 东南大学 | 基于无缝分区技术的超大区域似大地水准面精化方法 |
CN102930176A (zh) * | 2012-11-22 | 2013-02-13 | 长沙理工大学 | 大地水准面模型九网格五样条插值方法 |
CN102930176B (zh) * | 2012-11-22 | 2015-03-25 | 长沙理工大学 | 大地水准面模型九网格五样条插值方法 |
CN110986872A (zh) * | 2019-11-01 | 2020-04-10 | 中国人民解放军63653部队 | 多地形神经网络模型高程拟合测绘技术 |
CN111274738A (zh) * | 2020-02-25 | 2020-06-12 | 东南大学 | 一种高程异常值计算方法 |
CN111274738B (zh) * | 2020-02-25 | 2022-11-25 | 东南大学 | 一种高程异常值计算方法 |
CN112946691A (zh) * | 2021-02-06 | 2021-06-11 | 长江水利委员会水文局长江上游水文水资源勘测局 | 顾及高程异常趋势变化的带状区域坐标转换分段方法 |
CN112946691B (zh) * | 2021-02-06 | 2024-03-12 | 长江水利委员会水文局长江上游水文水资源勘测局 | 顾及高程异常趋势变化的带状区域坐标转换分段方法 |
CN114662059A (zh) * | 2022-05-25 | 2022-06-24 | 深圳市海伊石油技术有限公司 | 一种海上卫星大地坐标的高程拟合方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN100582661C (zh) | 2010-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100582661C (zh) | 精确确定区域高程异常的方法 | |
CN102589517A (zh) | 基于egm2008的区域似大地水准面精化方法 | |
CN102663267B (zh) | 一种半湿润区流域面源污染负荷的确定方法 | |
CN107563139A (zh) | 一种点源突发性水污染源事故溯源贡献程度计算方法 | |
CN105043342B (zh) | 单向精密测距三角高程测量方法 | |
CN104778369A (zh) | 一种基于地面沉降监测的决策与预警方法及其系统 | |
CN105893770A (zh) | 一种气候变化和人类活动对流域水资源影响的量化方法 | |
CN104537597A (zh) | 一种城市空间格局合理性诊断的技术方法 | |
Wang et al. | Identification of the “source” and “sink” patterns influencing non-point source pollution in the Three Gorges Reservoir Area | |
CN103886220B (zh) | 基于bp网络和基尼系数定权重的用水数据离散化方法 | |
CN105606063A (zh) | 一种基于正交应变比的土层边坡稳定性测定方法 | |
CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
Tahershamsi et al. | Modeling groundwater surface by MODFLOW math code and geostatistical method | |
CN103617563B (zh) | 一种基于地统计空间分析理论的供水管网无监测节点压力确定方法 | |
CN104636834A (zh) | 一种改进的联合概率规划模型系统优化方法 | |
CN102279419A (zh) | 一种基于遗传算法提高缝洞型油藏自动历史拟合效率的方法 | |
CN103970837B (zh) | 基于城市用地和竖向规划的不连续dem分类制作方法 | |
Bao et al. | Study on driving mechanisms of land use change in the coastal area of Jiangsu, China | |
Ding et al. | The assessment of ecological water replenishment scheme based on the two-dimensional lattice-Boltzmann water age theory | |
CN101793977A (zh) | 一种水文地质参数的估计方法 | |
Hinaman | USE OF A GEOGRAPHIC INFORMATION SYSTEM TO ASSEMBLE INPUT‐DATA SETS FOR A FINITE‐DIFFERENCE MODEL OF GROUND‐WATER FLOW 1 | |
CN102880753B (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
CN114048692A (zh) | 一种基于监测数据与模型融合的水体月尺度水质预判方法 | |
CN106125149A (zh) | 点质量模型中浅层高分辨率点质量最佳埋藏深度确定方法 | |
Garg et al. | Impact of calibration watershed on runoff model accuracy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100120 Termination date: 20140718 |
|
EXPY | Termination of patent right or utility model |