CN110986872A - 多地形神经网络模型高程拟合测绘技术 - Google Patents
多地形神经网络模型高程拟合测绘技术 Download PDFInfo
- Publication number
- CN110986872A CN110986872A CN201911057272.4A CN201911057272A CN110986872A CN 110986872 A CN110986872 A CN 110986872A CN 201911057272 A CN201911057272 A CN 201911057272A CN 110986872 A CN110986872 A CN 110986872A
- Authority
- CN
- China
- Prior art keywords
- fitting
- elevation
- neural network
- network model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明公开了多地形神经网络模型高程拟合测绘技术,包括:选定测区,并测区内布设15‑50个GNSS控制点,对GNSS控制点进行等级水准,从而得到各GNSS/水准点的高程异常,由GNSS/水准点中根据不同的地貌使用特定的选点方式选取拟合点,其余点作为检验点,使用特定的神经网络模型算法对拟合点进行拟合得到测区的高程拟合模型;通过内符合精度与外符合精度对高程拟合模型的精度进行评定;本发明通过采用神经网络模型算法在平原、丘陵和山区地形都表现出了较好的拟合效果。与几何模型相比,精度大大提高,模型稳定性在内外符合评定上都表现出了较好的效果。
Description
技术领域
本发明涉及一种多地形测绘方法,具体是多地形神经网络模型高程拟合测绘技术。
背景技术
在控制测量以及工程测量中,卫星测量技术以其精度高、简单高效等特点被工程测量 技术人员广泛应用。在实际工程测量中,GNSS(Global Navigation SatelliteSystem)测量 获得的三维数据中,平面精度已达到工程试验需求,完全取代了以前的平面控制测量,但 大地高只有物理意义,不能直接应用于实际的工程任务中。高程异常的精确性是利用GNSS 数据大地高转换正常高的关键。因此,如何利用GNSS测量的高度数据,把大地高转换成 正常高,实现GNSS定位在地形复杂地区观测时能获得实用的三维坐标,方便的为工程测 量服务是比较现实的问题。
重力法和几何法目前为大地高转换的常用两种方式。重力资料在西北多数地区属于空 白。GNSS高程转换自从GPS(Global Position System)广泛应用以来,成为了众多研究的 热点,采用几何拟合模型进行高程转换也取得了不错的效果,但研究表明,采用几何方法 的拟合数据往往跟地形和点位布局有强相关性。而神经网络模型在其针对小样本数据强大 的泛化和推广能力,为西部缺少基础地理数据且外业采集困难的区域进行高程转换工作带 来了现实的意义。
随着神经网络模型算法的不断进步,众多数学理论应运而生,也为高程转换带来了新 思路。众多的方法也为工程人员带来困扰,不同地形条件下采用什么方法没有一个清晰的 指导,当选择不同的拟合方法时,高程异常的求解精度也有所不同,会给工程测量造成不 良影响。
发明内容
本发明的目的在于提供一种多地形神经网络模型高程拟合测绘技术,以解决上述背景 技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种多地形神经网络模型高程拟合测绘技术,包括:
S1.选定测区,并测区内布设15-50个GNSS控制点;
S2.对GNSS控制点进行等级水准,从而得到各GNSS/水准点的高程异常;
S3.由GNSS/水准点中根据不同的地貌使用特定的选点方式选取拟合点,其余点作为检 验点;
S4.使用特定的神经网络模型算法对拟合点进行拟合得到测区的高程拟合模型;
S5.通过内符合精度与外符合精度对高程拟合模型的精度进行评定;
S6.将未知点带入符合精度要求的高程拟合模型中得出该未知点的高程异常,从而通 过GNSS测量数据得到该点的正常高。
作为本发明进一步的方案:所述选点方式包括重心偏移型、四周型、条带状型、均匀 型。
作为本发明进一步的方案:所述神经网络模型算法包括BP神经网络模型算法、RBF神 经网络模型算法、SVM神经网络模型算法。
作为本发明进一步的方案:所述内符合精度为已知拟合点高程异常和模型得到的高程 异常之差。
作为本发明再进一步的方案:所述外符合精度为检查点高程异常和模型得出的高程异 常之差。
与现有技术相比,本发明的有益效果是:
本发明通过采用神经网络模型算法在平原、丘陵和山区地形都表现出了较好的拟合效 果。与几何模型相比,精度大大提高,模型稳定性在内外符合评定上都表现出了较好的效 果。BP神经网络、RBF神经网络和支持向量机拟合精度依次提高,尤其是支持向量机达到 厘米级的拟合精度。
本发明系统分析了各个拟合模型的适应性条件,对实际工程应用具有借鉴意义。
附图说明
图1为平原地貌及点位分布示意图。
图2为丘陵地貌及点位分布示意图。
图3为山区地貌及点位分布示意图。
图4为BP神经网络拟合内符合结果(单位:厘米)。
图5为BP神经网络拟合外符合结果(单位:厘米)。
图6为RBF神经网络拟合内符合结果(单位:厘米)。
图7为RBF神经网络拟合外符合结果(单位:厘米)。
图8SVM神经网络模型拟合内符合结果(单位:厘米)。
图9SVM神经网络模型拟合外符合结果(单位:厘米)。
图10为拟合点选取表。
图11为BP神经网络拟合结果。
图12为RBF神经网络拟合结果。
图13为SVM神经网络模型拟合结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地 描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本 发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例,都属于本发明保护的范围。
本发明实施例中,一种多地形神经网络模型高程拟合测绘技术,包括:
S1.选定测区,并测区内布设15-50个GNSS控制点;
S2.对GNSS控制点进行等级水准,从而得到各GNSS/水准点的高程异常;
S3.由GNSS/水准点中根据不同的地貌使用特定的选点方式选取拟合点,其余点作为检 验点;
S4.使用特定的神经网络模型算法对拟合点进行拟合得到测区的高程拟合模型;
S5.通过内符合精度与外符合精度对高程拟合模型的精度进行评定;
S6.将未知点带入符合精度要求的高程拟合模型中得出该未知点的高程异常,从而通 过GNSS测量数据得到该点的正常高。
所述选点方式包括重心偏移型、四周型、条带状型、均匀型。
所述神经网络模型算法包括BP神经网络模型算法、RBF神经网络模型算法、SVM神经 网络模型算法。
所述内符合精度为已知拟合点高程异常和模型得到的高程异常之差。
所述外符合精度为检查点高程异常和模型得出的高程异常之差。
本发明针对中国西北荒漠地区地理数据匮乏、作业环境恶劣以及外业采集困难等问 题,研究了GNSS高程拟合地形适应性及精度。通过选取西北荒漠地区平原地貌、丘陵地貌和山区地貌三个区域不同选点布局条件下,利用BP神经网络、RBF神经网络、支持向量 机(SVM)拟合模型进行高程拟合实验,系统分析了拟合方法的地形适应性和选点布局对 拟合模型精度的影响,得到了一些有价值的结论和认识,对其他实际工程测试测量具有一 定的指导作用。
高程转换基础理论与精度评定
高程转换理论
高程异常ζ的确定是利用GNSS数据大地高转换正常高的关键,它的基本思想为:在实验区布设GNSS控制点,且进行等级水准,就得到各GNSS/水准点上的高程异常,从而通 过多个点通过数学模型得到该区的高程异常模型,当我们把未知点带入到模型时也就得到了该点的高程异常,从而通过GNSS测量数据快捷的得到该点的正常高。
精度评定
为了进行后面的工程实验评定,需对高程拟合精度评定标准加以介绍。模型的评定通 过选取拟合模型内外符合精度来判断。
内符合精度
根据已知拟合点高程异常和模型得到的高程异常之差为内符合精度。
式中,拟合点的个数为n。
外符合精度
根据检查点高程异常和模型得出的高程异常之差为模型的外符合精度。
式中,检查点的个数为m。
测区算例
本发明选取平原、丘陵和山地三种地貌分别利用多项式法、多面函数法、移动曲面法 三种高程拟合的几何模型和BP神经网络、RBF神经网络以及SVM三种神经网络学习方法进 行拟合模型适应性和精度分析,对地形适应性及精度进行分析。进行检验计算,通过方法 适应性和精度分析,对各种地形和地貌拟合的适应性进行研究,以期给实践工程给予参考。 另外,针对实际工程中由于地形、测绘设计和不可预期的因素导致的外业控制点不合理对 实际拟合精度的影响也进行了探讨。
实验区概况及GNSS/水准点位布设
平原地貌区域最小高程940米,最大高程1050米,面积88km2。测区以砂砾石为主,小冲沟多,地貌比较破碎。在测区内布设27个GNSS/水准点(见图1)。
丘陵地貌区域属中低山地区,最小高程1657米,最大高程1909米,面积约44km2。测区地表以沙砾为主,山包较多,冲沟较多,地貌破碎。在测区内布设18个GNSS/水准点 (见图2)。
山地地貌区域最小高程1750米,最大高程3360米,面积为144km2,区内以沙地和高山为主,冲沟较深,地形起伏较大。测区内布设37个GNSS/水准点(见图3)。
实际工程中,考虑到地形地貌、经济效益、设计以及作业中不可预期的问题,工程实 际点位不能满足均匀分布的理想条件,通过对平原、丘陵和山地不同地貌下点位分布为重 心偏移型、四周型、条带型以及均匀型讨论各几何拟合模型的精度及适应性。
根据测区点位分布情况,选择拟合点(见表1),其余点作为检验点。
神经网络学习方法高程拟合适应性分析
BP神经网络拟合适应性分析
BP实验采用选点布局的不同,即重心偏移型、四周型、条带型以及均匀型,分别进行 不同地貌拟合内外符合精度的评定。平原地区训练次数为300,学习速率取为0.1,误差设为10-8;丘陵地区训练次数为500,学习速率取为0.01,误差设为10-5;山区地貌训 练次数为3000,学习速率取为0.01,误差设为10-4。(结果见表2,图4、5)
RBF神经网络拟合适应性分析
采用选点布局的不同,即重心偏移型、四周型、条带型以及均匀型,分别进行不同地 貌拟合内外符合精度的评定。平原、丘陵和山区扩展参数定为4.8、4.5和15。核函数参数。节点转移函数组合选择跟BP神经网络相同。(结果见表3,图6、7)
以上结果表明RBF神经网络模型拟合同样在模型稳定性方面比几何模型有较大的提 高,同一地貌情况下,选点布局对拟合结果影响不大。精度比BP神经网络有所提高,内外符合精度基本表现一致,平原和丘陵外符合精度均达到2厘米,山区为5厘米。
SVM神经网络模型拟合适应性分析
支持向量机采用选点布局的不同,即重心偏移型、四周型、条带型以及均匀型,分别 进行不同地貌拟合内外符合精度的评定。正规化参数取为10,核函数扩展参数取为2。(结 果见表4,图8、9)
以上结果表明SVM神经网络模型拟合同样在模型稳定性方面比几何模型有较大的提 高,同一地貌情况下,选点布局对拟合结果影响不大。精度比BP、RBF神经网络有所提高,内外符合精度基本表现一致,平原和丘陵外符合精度均达到1.5厘米,山区为3.5厘米。
三种神经网络地形适应性分析讨论
通过对BP、RBF以及SVM神经网络模型算法在平原、丘陵和山区地貌不同选点布局下 拟合内外符合精度进行的探讨,主要得出以下结论:
(2)神经网络拟合内外符合精度体现出较强的关联性,体现出了拟合模型的稳定性。 不论何种地貌、何种选点方式,内符合精度高时,外符合精度相对也高,反之,外符合精度相对也低。
(4)平原地貌,BP神经网络拟合内外符合精度分别达到1.5厘米和2厘米;RBF神 经网络内外符合精度均达到1厘米左右;SVM神经网络内外符合精度基本小于1厘米。由 此看出,BP、RBF和SVM拟合精度依次提高。一般而言实际工程中,三种神经网络模型均 可以满足平原地区高精度大地高转化正常高的选择,作业者可根据需求取舍。
(5)丘陵地貌,BP神经网络拟合内外符合精度达到1.4厘米和3厘米;RBF神经网 络内外符合精度达到1厘米和2厘米左右;SVM内符合精度达到1厘米左右,外符合精度 在1.5厘米。由此看出,BP、RBF和SVM拟合精度依次提高。一般而言实际工程中,三种 神经网络模型均可以满足丘陵地区高精度大地高转化正常高的选择。
(6)山区地貌,BP神经网络拟合内符合精度可达5厘米,外符合精度最高达到6厘米;RBF神经网络内外符合精度达到4厘米和4.5厘米;SVM内外符合精度达到2.5厘米 和3.5厘米。由此看出,BP、RBF和SVM拟合精度依次提高。三种神经网络模型均可以满 足山区地区高精度大地高转化正常高的选择。
本发明针对中国西北荒漠地区地理数据匮乏、作业环境恶劣等问题,研究了西北荒漠 地区GNSS高程拟合地形适应性及精度。通过选取该地区平原地貌、丘陵地貌和山区地貌 三个区域不同选点布局条件下,用BP神经网络、RBF神经网络以及支持向量机(SVM)拟合模型进行高程拟合实验,并得出如下结论:
(1)神经网络模型算法在平原、丘陵和山区地形都表现出了较好的拟合效果。与几何模型相比,精度大大提高,模型稳定性在内外符合评定上都表现出了较好的效果。BP神经网络、RBF神经网络和支持向量机拟合精度依次提高,尤其是支持向量机达到厘米级的拟合精度。
(2)系统分析了各个拟合模型的适应性条件,对实际工程应用具有的借鉴意义。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依 然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替 换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本 发明的保护范围之内。
Claims (5)
1.一种多地形神经网络模型高程拟合测绘技术,其特征在于,包括:
S1.选定测区,并测区内布设15-50个GNSS控制点;
S2.对GNSS控制点进行等级水准,从而得到各GNSS/水准点的高程异常;
S3.由GNSS/水准点中根据不同的地貌使用特定的选点方式选取拟合点,其余点作为检验点;
S4.使用特定的神经网络模型算法对拟合点进行拟合得到测区的高程拟合模型;
S5.通过内符合精度与外符合精度对高程拟合模型的精度进行评定;
S6.将未知点带入符合精度要求的高程拟合模型中得出该未知点的高程异常,从而通过GNSS测量数据得到该点的正常高。
2.根据权利要求1所述的一种多地形神经网络模型高程拟合测绘技术,其特征在于:所述选点方式包括重心偏移型、四周型、条带状型、均匀型。
3.根据权利要求1所述的一种多地形神经网络模型高程拟合测绘技术,其特征在于:所述神经网络模型算法包括BP神经网络模型算法、RBF神经网络模型算法、SVM神经网络模型算法。
4.根据权利要求1所述的一种多地形神经网络模型高程拟合测绘技术,其特征在于:所述内符合精度为已知拟合点高程异常和模型得到的高程异常之差。
5.根据权利要求1所述的一种多地形神经网络模型高程拟合测绘技术,其特征在于:所述外符合精度为检查点高程异常和模型得出的高程异常之差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057272.4A CN110986872A (zh) | 2019-11-01 | 2019-11-01 | 多地形神经网络模型高程拟合测绘技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057272.4A CN110986872A (zh) | 2019-11-01 | 2019-11-01 | 多地形神经网络模型高程拟合测绘技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110986872A true CN110986872A (zh) | 2020-04-10 |
Family
ID=70082846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911057272.4A Pending CN110986872A (zh) | 2019-11-01 | 2019-11-01 | 多地形神经网络模型高程拟合测绘技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986872A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101319893A (zh) * | 2008-07-18 | 2008-12-10 | 东南大学 | 精确确定区域高程异常的方法 |
CZ2014489A3 (cs) * | 2014-07-15 | 2015-10-14 | R.O.G. S.R.O. | Způsob měření, zpracování a využívání dat digitálního modelu terénu pro objektivní hodnocení geometrických parametrů měřených objektů a měřící zařízení pro provádění uvedeného způsobu |
CN106989717A (zh) * | 2017-03-28 | 2017-07-28 | 湖北省测绘工程院 | 一种似大地水准面检测方法及装置 |
-
2019
- 2019-11-01 CN CN201911057272.4A patent/CN110986872A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101319893A (zh) * | 2008-07-18 | 2008-12-10 | 东南大学 | 精确确定区域高程异常的方法 |
CZ2014489A3 (cs) * | 2014-07-15 | 2015-10-14 | R.O.G. S.R.O. | Způsob měření, zpracování a využívání dat digitálního modelu terénu pro objektivní hodnocení geometrických parametrů měřených objektů a měřící zařízení pro provádění uvedeného způsobu |
CN106989717A (zh) * | 2017-03-28 | 2017-07-28 | 湖北省测绘工程院 | 一种似大地水准面检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘雨青: "基于稳健估计的神经网络高程拟合模型的研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
房新玉: "基于曲面拟合模型的山区GNSS水准精度分析", 《水道港口》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102607506B (zh) | 高填方机场边坡单台全站仪的自由设站变形监测方法 | |
CN107462910A (zh) | 一种基于云端融合的野外数据测量与实时处理方法 | |
CN109031301A (zh) | 基于PSInSAR技术的山区地形形变提取方法 | |
CN104864858B (zh) | 一种工程控制网的布设方法和装置 | |
CN110207681A (zh) | 基于无人机的地面变形监测方法 | |
CN106292698A (zh) | 植保无人机的精准作业方法和系统 | |
CN103727920B (zh) | 基于大地水准面模型测量水准高差的方法 | |
CN111191307A (zh) | 一种基于bim+gis技术的土方工程虚拟施工方法 | |
CN111854699A (zh) | 一种基于无人机航测河道崩岸过程的监测方法 | |
CN107909192A (zh) | 土壤重金属含量的估测方法及装置 | |
Abdulrahman | Determination of the local geoid model in Duhok Region, University of Duhok Campus as a Case study | |
CN108427741A (zh) | 一种基于大量高精度控制点的dem相对误差评价方法 | |
CN110986872A (zh) | 多地形神经网络模型高程拟合测绘技术 | |
CN115374511B (zh) | 一种地铁隧道监测三维控制网仿真设计系统和方法 | |
CN103884319A (zh) | 免全站仪的塔基断面图测量方法和设备 | |
CN104330078B (zh) | 一种基于三点后方交会模型的联合测量方法 | |
CN114674277B (zh) | 全场测线联合的深部开采地表沉陷监测方法 | |
El-Hallaq | Development of a local GPS-leveling geoid model for the Gaza Strip area | |
Singh et al. | Development of geoid model-A case study on western India | |
CN109947877B (zh) | 一种提高gis移动终端地图定位精度的方法及系统 | |
Zhao et al. | Comparison of two different methods for determining flow direction in catchment hydrological modeling | |
CN110411428A (zh) | 一种土地规划整治项目的测绘方法 | |
CN110287362A (zh) | 一种基于Google Earth的辅助野外放样方法 | |
Spiroiu et al. | Geo-gravimetric quasi-geoid determination over Romania | |
CN107194820B (zh) | 确定作物需水量监测站点代表面积及代表性程度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |