CN105046324A - 一种基于移动神经网络的高程异常拟合内插计算方法 - Google Patents
一种基于移动神经网络的高程异常拟合内插计算方法 Download PDFInfo
- Publication number
- CN105046324A CN105046324A CN201510424992.5A CN201510424992A CN105046324A CN 105046324 A CN105046324 A CN 105046324A CN 201510424992 A CN201510424992 A CN 201510424992A CN 105046324 A CN105046324 A CN 105046324A
- Authority
- CN
- China
- Prior art keywords
- neural network
- height anomaly
- interpolation
- quasigeoid
- point
- 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
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明提供基于移动神经网络的高程异常拟合内插计算方法,包括构造BP神经网络模型,BP神经网络模型包括输入层、有神经元的隐含层和输出层,输入层每个元素通过权值矩阵和所述神经元相连;以离散GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常;利用选取预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练,在网络性能指数达到预设极值时生成网络权值矩阵;在所述神经网络权值矩阵中,输入离散GPS点位的大地坐标,计算生成该点高程异常。本发明实施例的方法具有拟合内插计算高程异常精度高的优点。
Description
技术领域
本发明涉及大地测量学领域,特别是一种基于移动神经网络的高程异常拟合内插计算方法。
背景技术
在工程应用中,我国以正常高作为法定高程系统,正常高是以似大地水准面为基准定义的高程系统,GPS(GPS,GlobalPositioningSystem)技术获得的高程信息是相对于WGS-84椭球的大地高,大地高转换为正常高才能直接应用于工程建设。在现今GPS定位时代,建立和精化似大地水准面模型就是建立和维护国家高程参考框架。高精度、高分辨率的似大地水准面数值模型,可以给出任一点的高程异常,看作一种测定正常高的参考框架。如果GPS大地高测定的精度是一定的,GPS高程转换的关键是高程异常内插的精度。
区域似大地水准面结果为格网数值模型,使用时需要进行高程异常内插计算,似大地水准面格网插值就是基于邻近高程异常点之间存在相关性,由邻近点的高程异常内插出待定点的高程异常,如何选取有效的方法,在高程异常内插计算过程中尽量少损失精度是提高GPS高程转换精度的关键。
地球表面形状的不规则和内部密度分布不均匀导致似大地水准面是不规则的曲面,其频谱结构是长波占优(大于90%),与地形强相关的中、短波分量相对较小。由区域似大地水准面格网数值模型内插高程异常的常用方法有反距离加权、线性插值、曲面拟合插值等。反距离加权法以距离插值点最近的四个格网结点的高程异常以距离的倒数为权进行加权平均,没有顾及似大地水准面的趋势性。在分辨率低的似大地水准面中插值高程异常会带来较大的误差,曲面拟合插值是以规则的曲面去拟合不规则的似大地水准面,在插值过程中也会带来模型误差。
因此,如何设计一种高程异常精度高的高程异常拟合内插计算方法是业界亟需解决的课题。
发明内容
为了解决上述现有的技术问题,本发明提供一种基于移动神经网络的高程异常拟合内插计算方法,在似大地水准面格网数值模型中选取学习集样本时与GPS点的位置有关且顾及了似大地水准面起伏的趋势性使得计算生成的高程异常精度高。
本发明提供一种基于移动神经网络的高程异常计算方法,包括步骤:
构造BP神经网络模型,其中,所述BP神经网络模型包括输入层、有神经元的隐含层和输出层,输入层的每个元素通过权值矩阵和所述神经元相连;
以离散的GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常,其中,所述预定数目的似大地水准面格网结点以两个格网间距为条件选取获得;
利用选取的预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练,在网络性能指数达到预设极值时生成网络权值矩阵;
在所述神经网络权值矩阵中,输入离散的GPS点位的大地坐标,拟合内插计算该点的高程异常。
优选地,所述隐含层中每个神经元包含一个偏置值、一个累加器、一个传输函数和一个输出单元。
优选地,所述输出层采用线性函数,所述隐含层采用对数-S形函数如下式:
优选地,以离散的GPS点位为中心,按似大地水准面格网结点与该点的大地经度差和大地纬度差分别小于距离该点的预定数目数目为16。
优选地,设定离散的GPS点的大地坐标为(B,L),似大地水准面数值模型纬度格网间距为b,经度格网间距为l,则点位选取依据如下算法:
相较于现有技术,本发明实施例的基于移动神经网络的高程异常拟合内插计算方法中通过设置以离散的GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常,利用选取的预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练生成网络权值矩阵以计算生成该点的高程异常,顾及了似大地水准面起伏的趋势性且能有效减少拟合插值的模型误差,计算生成的高程异常精度高。
附图说明
图1为本发明优选实施例的基于移动神经网络的高程异常拟合内插计算方法方框示意图;
图2为本发明优选实施例中移动神经网络的结构示意图;
图3为本发明优选实施例中移动神经网络插值法示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进进一步说明。
请参阅图1、图2和图3。图1是本发明优选实施例的基于移动神经网络的高程异常拟合内插计算方法方框示意图,图2为本发明优选实施例中移动神经网络的结构示意图,图3为本发明优选实施例中移动神经网络插值法示意图。
本发明实施例的基于移动神经网络的高程异常拟合内插计算方法包括步骤:
S1:构造BP神经网络模型,其中,所述BP神经网络模型包括输入层、包括有神经元的隐含层和输出层,输入层的每个元素通过权值矩阵和所述神经元相连;
本步骤中,如图2所示,所述BP(BP,BackPropagation)神经网络模型包括输入层、隐含层和输出层,隐含层中每个神经元包含一个偏置值、一个累加器、一个传输函数和一个输出单元,输入层的每个元素通过权值矩阵和神经元相连。隐含层采用对数-S形函数(log-sigmoid函数),
所述输出层采用线性函数,如pureline函数。由于插值过程中仅应用到离散点周围16点的信息,隐含层的神经元的单元个数设定为4个,2-4-1网络共有17个可调节参数,即12个权值和5个偏置值,以改善网络的概括推广能力。将学习集所有的网络输出与目标输出进行比较,BP网络采用网络的均方误差作为性能指数:
F(x)=E(e2)=E[(t-a)2]
式中,t为目标输出,a为实际输出,E表示求期望值,期望在所有输入/输出对上求得。
S3:以离散的GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常;
本步骤中,再请参阅图3。具体地,以离散的GPS点位为中心,按似大地水准面格网结点与该点的大地经度差和大地纬度差分别小于两个格网间距为条件选取距离该点的预定数目为16。
在选取距离该点较近的预定数目的似大地水准面格网结点的大地坐标和高程异常时,所述距离值以距离所述点位距离最小的点为第一个似大地水准面格网结点,依次选取距离该点位距离较近的预定数目的似大地水准面格网结点。即,第一个似大地水准面格网结点为距离所述点位距离最小的点,其它的结点为距离所述点位的距离依次变大,预设数目设定为16,则第16个似大地水准面格网结点为所有结点离该点位的距离间隔次序为第16。
另外,在计算点位坐标时,设定离散的GPS点的大地坐标为(B,L),似大地水准面数值模型纬度格网间距为b,经度格网间距为l,则点位选取依据如下算法:
S5:利用选取的预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练,在网络性能指数达到预设极值时生成网络权值矩阵;
本步骤中,先将BP神经网络输入层元素取为点位的大地坐标,输出层元素取为高程异常,由于标准Sigmoid激活函数的标准输入、输出数据限定范围为[0,1],输入与输出转换层主要是将输入输出的数据转换为[0,1]之间的值,为避开网络的饱和区,可以将数据范围设定为:[0.1,0.9]或[0.2,0.8],当然也可以数据范围设定在区间[0,1]的其它范围内。
然后,利用选定的预设数目的点格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练,在网络性能指数达到极小时获得网络权值矩阵。所述预设数目可以设定为16。
S7:在所述神经网络权值矩阵中,输入离散的GPS点位的大地坐标,计算生成该点的高程异常。
利用上述步骤的基于移动神经网络的高程异常拟合内插计算方法在似大地水准面格网数值模型中选取学习集样本时与GPS点的位置有关,顾及了似大地水准面起伏的趋势性,也能有效减少拟合插值的模型误差。计算结果显示出在似大地水准面插值中,移动神经网络插值法具有较强的适应性,插值结果系统偏差为零,与反距离加权插值法与曲面拟合插值法比较,插值精度有较大提高。
相较于现有技术,本发明实施例的基于移动神经网络的高程异常拟合内插计算方法中通过设置以离散的GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常,利用选取的预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练生成网络权值矩阵以计算生成该点的高程异常,顾及了似大地水准面起伏的趋势性且能有效减少拟合插值的模型误差,拟合内插计算生成的高程异常精度高。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于移动神经网络的高程异常拟合内插计算方法,其特征在于,包括步骤:
构造BP神经网络模型,其中,所述BP神经网络模型包括输入层、有神经元的隐含层和输出层,输入层的每个元素通过权值矩阵和所述神经元相连;
以离散的GPS点位为中心,在似大地水准面格网数值模型中选取与该点的大地经度差和大地纬度差分别小于预定数目格网间距的格网结点的大地坐标和高程异常,其中,所述预定数目的似大地水准面格网结点以两个格网间距为条件选取获得;
利用选取的预定数目格网结点的大地坐标和高程异常组成学习集样本,对神经网络进行训练,在网络性能指数达到预设极值时生成网络权值矩阵;
在所述神经网络权值矩阵中,输入离散的GPS点位的大地坐标,拟合内插计算该点的高程异常。
2.根据权利要求1所述的基于移动神经网络的高程异常拟合内插计算方法,其特征在于,所述隐含层中每个神经元包含一个偏置值、一个累加器、一个传输函数和一个输出单元。
3.根据权利要求1所述的基于移动神经网络的高程异常拟合内插计算方法,其特征在于,所述输出层采用线性函数,所述隐含层采用对数-S形函数如下式:
4.根据权利要求1所述的基于移动神经网络的高程异常拟合内插计算方法,其特征在于,以离散的GPS点位为中心,按似大地水准面格网结点与该点的大地经度差和大地纬度差分别小于距离该点的预定数目为16。
5.根据权利要求4所述的基于移动神经网络的高程异常拟合内插计算方法,其特征在于,设定离散的GPS点的大地坐标为(B,L),似大地水准面数值模型纬度格网间距为b,经度格网间距为l,则点位选取依据如下算法:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510424992.5A CN105046324B (zh) | 2015-07-20 | 2015-07-20 | 一种基于移动神经网络的高程异常拟合内插计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510424992.5A CN105046324B (zh) | 2015-07-20 | 2015-07-20 | 一种基于移动神经网络的高程异常拟合内插计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046324A true CN105046324A (zh) | 2015-11-11 |
CN105046324B CN105046324B (zh) | 2017-12-08 |
Family
ID=54452853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510424992.5A Expired - Fee Related CN105046324B (zh) | 2015-07-20 | 2015-07-20 | 一种基于移动神经网络的高程异常拟合内插计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046324B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105953772A (zh) * | 2016-04-22 | 2016-09-21 | 深圳市华信天线技术有限公司 | 一种高程异常的测定方法及测定装置 |
CN109635239A (zh) * | 2018-12-10 | 2019-04-16 | 福州大学 | 一种基于bp神经网络模型的年天文辐射量计算方法 |
CN111366130A (zh) * | 2020-03-03 | 2020-07-03 | 山东交通学院 | 一种高程异常内插推估方法 |
-
2015
- 2015-07-20 CN CN201510424992.5A patent/CN105046324B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
宋雷等: "Bayesian 正则化BP神经网络拟合两类似大地水准面", 《武汉大学学报·信息科学版》 * |
宋雷等: "整区拟合似大地水准面的BP神经网络方法", 《辽宁工程技术大学学报(自然科学版)》 * |
沈雪峰等: "基于最小二乘配置法的BP神经网络GPS高程异常拟合方法研究", 《测绘工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105953772A (zh) * | 2016-04-22 | 2016-09-21 | 深圳市华信天线技术有限公司 | 一种高程异常的测定方法及测定装置 |
CN109635239A (zh) * | 2018-12-10 | 2019-04-16 | 福州大学 | 一种基于bp神经网络模型的年天文辐射量计算方法 |
CN109635239B (zh) * | 2018-12-10 | 2021-04-27 | 福州大学 | 一种基于bp神经网络模型的年天文辐射量计算方法 |
CN111366130A (zh) * | 2020-03-03 | 2020-07-03 | 山东交通学院 | 一种高程异常内插推估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105046324B (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899380B (zh) | 一种基于蒙特卡洛模拟的边坡稳定可靠度敏感性分析方法 | |
US10439594B2 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN106650618A (zh) | 一种基于随机森林模型的人口数据空间化方法 | |
CN101718775A (zh) | 围垦地土壤中重金属含量的空间变异分布图生成方法 | |
CN102636632A (zh) | 围垦地土壤重金属污染综合评价图生成方法 | |
CN107292383A (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN102662039A (zh) | 一种基于bp神经网络的水体溶解氧饱和度预测方法 | |
CN103425743A (zh) | 基于贝叶斯神经网络算法的蒸汽管网预测系统 | |
CN112464584B (zh) | 自由表面流的水位和流量推求方法 | |
EP4303785A1 (en) | Reservoir flow rate regulating method and apparatus, electronic device, and storage medium | |
CN104040378B (zh) | 气象预测装置以及气象预测方法 | |
CN105046324A (zh) | 一种基于移动神经网络的高程异常拟合内插计算方法 | |
CN104091065A (zh) | 一种求解浅水问题模拟间断水流数值的方法 | |
CN103823951A (zh) | 一种量化路网特征及其土地利用效应的方法 | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
CN106570936A (zh) | 一种基于栅格dem数据的等距离权重内插加密方法 | |
CN111709592A (zh) | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 | |
CN101210814A (zh) | 线路工程gps控制网高程拟合方法 | |
Liu et al. | Impact of rainfall spatiotemporal variability and model structures on flood simulation in semi-arid regions | |
CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
CN116611270B (zh) | 一种台风浪实时集合预报方法、介质及系统 | |
Baugh et al. | An exact reanalysis technique for storm surge and tides in a geographic region of interest | |
CN106408660A (zh) | 一种电力路径规划中数字地形模型压缩方法和设备 | |
CN105701066A (zh) | 一种河口潮差快速预报方法 | |
CN111622274A (zh) | 山区巨粒土高填方地基基础沉降预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171208 Termination date: 20190720 |
|
CF01 | Termination of patent right due to non-payment of annual fee |