CN111598235A - 贝叶斯正则化反向传播神经网络坐标转换方法及装置 - Google Patents

贝叶斯正则化反向传播神经网络坐标转换方法及装置 Download PDF

Info

Publication number
CN111598235A
CN111598235A CN202010421644.3A CN202010421644A CN111598235A CN 111598235 A CN111598235 A CN 111598235A CN 202010421644 A CN202010421644 A CN 202010421644A CN 111598235 A CN111598235 A CN 111598235A
Authority
CN
China
Prior art keywords
neural network
coordinate system
network model
plane coordinates
determining
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
Application number
CN202010421644.3A
Other languages
English (en)
Inventor
宋雷
陈旭
赵硕
周保兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202010421644.3A priority Critical patent/CN111598235A/zh
Priority to ZA2020/05171A priority patent/ZA202005171B/en
Publication of CN111598235A publication Critical patent/CN111598235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/604—Rotation of whole images or parts thereof using coordinate rotation digital computer [CORDIC] devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，用以解决坐标转换过程中，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后的坐标的准确性的问题。该方法确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；根据所述学习集，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。本方法通过贝叶斯正则化算法对反向传播神经网络的网络权值进行限制，有效改善网络结构，有利于提高坐标转换的准确性。

Description

贝叶斯正则化反向传播神经网络坐标转换方法及装置
技术领域
本申请涉及坐标转换技术领域，尤其涉及一种贝叶斯正则化反向传播神经网络坐标转换方法及装置。
背景技术
实时动态定位技术(Real-time Kinematic，RTK)是基于GPS载波相位观测值的差分定位技术，可提供厘米级、实时化的定位方式，具有广泛的应用范围。
在工程应用中，基于RTK技术获得的大地坐标，经过高斯投影可获得2000国家大地坐标系(CGCS2000)坐标，以应用在工程建设中。但在很多重大工程中，为了避免高斯投影变形带来的误差，通常会将国家大地坐标系坐标转换为工程实际应用的工程独立坐标。
常用的坐标转换方法有用于三维坐标转换的七参数模型法和用于平面坐标转换的四参数模型法。在上述坐标转换方法中，需要先求取坐标转换参数，再根据坐标转换参数进行坐标转换。
但是，在坐标转换过程中，较大的区域内，各局部区域之间公共点的坐标精度存在差异，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后的坐标的准确性。
发明内容
本申请实施例提供一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，用以解决坐标转换过程中，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后的坐标的准确性的问题。
本申请实施例提供的一种贝叶斯正则化反向传播神经网络坐标转换方法，包括：
确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；
根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；
根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。
在一个示例中，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集，包括：计算控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标之间的坐标差；根据控制点的2000国家大地坐标系平面坐标与所述坐标差，创建学习集。
在一个示例中，所述神经网络模型为贝叶斯正则化的反向传播神经网络模型，包括输入转换层、输入层、隐含层、输出层、输出转换层；所述输入转换层，用于将输入神经网络模型的数据转换为所述隐含层可识别的数据；所述输出转换层，用于将所述输出层输出的数据转换为与所述学习集中的坐标差相对应的数据。
在一个示例中，根据所述学习集，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练，包括：初始化神经网络模型的权值矩阵；根据学习集中的2000国家大地坐标系平面坐标，确定神经网络模型预测得到的坐标差，作为预测输出数据；根据学习集中的坐标差与所述预测输出数据之间的差距，采用反向传播算法与贝叶斯正则化算法，对所述神经网络模型的性能指数中的参数进行调整，并调整所述神经网络模型的网络规模；重复对所述性能指数以及网络规模进行调整，直至所述神经网络模型的性能指数达到预设值，确定完成训练。
在一个示例中，所述输出层输出的数据的范围为0.2～0.8。
在一个示例中，所述隐含层采用的激活函数为Log-sigmoid函数。
在一个示例中，所述输出层采用的激活函数为线性函数。
在一个示例中，所述神经网络模型的性能指数为F(w)＝αEw+βED，其中，
Figure BDA0002497184180000031
表示神经网络所有权值的均方误差，m为神经网络权值的总个数，wj为神经网络权值；
Figure BDA0002497184180000032
表示神经网络的均方误差，n为学习集样本总数，tp为第p组训练的期望输出数据，ap为第p组训练的实际输出数据，α、β为正则化系数。
在一个示例中，确定控制点的2000国家大地坐标，包括：采用RTK技术，确定控制点的2000国家大地坐标(L，B)；根据高斯投影方法，确定在0.5mm精度下所述控制点的相应2000国家大地坐标系平面坐标(x，y)。
本申请实施例提供的一种贝叶斯正则化反向传播神经网络坐标转换装置，包括：
创建模块，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；
训练模块，根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；
确定模块，根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。
本申请实施例提供一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，至少包括以下有益效果：
通过神经网络方法对大地平面坐标与工程独立坐标系平面坐标进行坐标转换，不需要求取统一的区域转换参数。于是，针对较大的工程区域或城市，能够确保各局部区域在转换坐标的过程中，均以合理的转换方式实现坐标转换，获得准确的工程独立坐标系平面坐标值。
这样能够避免整个区域采用一套转换参数而导致局部区域在坐标转换中损失精度的问题，满足工程应用中对坐标转换的需求，同时提高坐标转换的准确性。
并且，本申请采用了贝叶斯正则化算法，根据学习集的样本数目，自动确定隐含层所需神经元的数目，使得神经元的数目既足以表现学习集样本的特征，又能防止神经网络出现过拟合现象，对网络权值进行限制，有效改善网络结构，并在一定程度上提高网络的精度和泛化能力。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换方法流程图；
图2为本申请实施例提供的贝叶斯正则化反向传播神经网络模型结构示意图；
图3为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换方法流程图，具体包括以下步骤：
S101：确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集。
在本申请实施例中，计算机可根据测量区域内控制点的2000国家大地坐标系平面坐标，以及控制点已知的工程独立坐标系平面坐标，创建学习集，以便后续根据学习集对神经网络模型进行训练。
其中，2000国家大地坐标系平面坐标表示根据我国最新的2000国家大地坐标系确定出大地坐标后，通过高斯投影得到的平面坐标，工程独立坐标系平面坐标表示根据相应控制点建立的工程独立坐标系确定的坐标，学习集表示对神经网络模型进行训练所采用的训练数据集。
具体的，2000国家大地坐标系与工程独立坐标系的椭球参数和定向有差异,因此，在同一点上，两套坐标会有差异。于是，计算机可根据确定的控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，计算两个坐标之间的坐标差(Δx,Δy)，认为该坐标差是与位置相关的量。之后，计算机可根据控制点的2000国家大地坐标系平面坐标与计算得到的坐标差，组成学习集。其中，坐标差可表示2000国家大地坐标系平面坐标与工程独立坐标系平面坐标之间的差距。
在一个实施例中，确定控制点的2000国家大地坐标系平面坐标的过程包括以下几个步骤：
第一，采用RTK技术，在控制点上进行RTK测量，获得控制点的2000国家大地坐标系的大地坐标(L，B)。其中，在进行观测时，需使用脚架，并严格对中整平，精确量取天线高，等待全球定位系统(Global Positioning System，GPS)接收机获得稳定的固定解之后，再开始记录数据。
第二，对控制点的大地坐标进行高斯投影，以获得点位在平面直角坐标系中的平面坐标(x，y)。其中，投影中央子午线的设定应与工程独立坐标系平面坐标的中央子午线相同。
中央子午线和赤道的投影都是直线，并且以中央子午线和赤道的交点o作为坐标原点，以中央子午线的投影为纵坐标x轴，以赤道的投影为横坐标y轴,形成高斯平面直角坐标系。
在点位投影过程中，地球椭球参数选用2000国家大地坐标系采用的地球椭球参数，其中长半轴a＝6378137m，短半轴b＝6356752m，地球扁率为
Figure BDA0002497184180000061
即1/298.257222101。
点位投影的过程就是，根据椭球面上A点的大地坐标(B,L)，求该点在高斯投影平面上的直角坐标(x,y)，即
Figure BDA0002497184180000062
的坐标变换。
精度为0.5mm时，对应的公式为
Figure BDA0002497184180000063
其中，X为子午线弧长，l为椭球面上P点的经度与中央子午线(L0)的经度差，即l＝L-L0，P点在中央子午线之东时，l为正，在西时，l为负，
Figure BDA0002497184180000064
S102：根据学习集与贝叶斯正则化算法，训练神经网络模型，直至神经网络模型的性能指数达到预设值时，确定完成训练。
在本申请实施例中，计算机可将学习集中的大地平面坐标作为神经网络模型训练的输入数据，以坐标差作为神经网络模型训练的输出数据，对神经网络模型进行训练，使神经网络模型能够通过机器学习，确定特定的大地平面坐标与坐标差之间的对应关系。
在一个实施例中，如图2所示，训练得到的神经网络模型为贝叶斯正则化的反向传播(Back Propagation，BP)神经网络模型，该神经网络模型包括输入转换层、输入层、隐含层、输出层、输出转换层，共五层。
具体的，输入转换层接收输入数据，并对输入数据的格式进行转换，转换为模型中的隐含层可识别的数据格式。输入层接收来自输入转换层的数据，并传输至隐含层。隐含层用于对输入数据的特征进行提取、分类等。输出层将提取特征后的数据输出至输出转换层。输出转换层将输出层输出的数据转换为实际数据，即，与学习集中的坐标差具有相同格式的相对应的数据。
在一个实施例中，训练神经网络模型的过程包括以下几个步骤：
第一，初始化神经网络模型的权值矩阵，具体可将初始权值赋值为接近于零的非零值。
第二，将学习集中的2000国家大地坐标系平面坐标输入神经网络模型，确定神经网络模型预测得到的坐标差，即预测输出数据。
第三，根据学习集中的坐标差，即预期输出数据，与相应的预测输出数据之间的差距，采用反向传播算法，根据预测输出数据的误差，反向求解隐含层中各个神经元的误差，搜索减小性能指数的参数空间，更新网络参数，调整网络权值，同时，采用贝叶斯正则化算法，在网络训练中自适应调整神经网络模型的网络规模，自动确定隐含层的神经元数目。
基于贝叶斯正则化算法的BP神经网络模型的性能指数为F(w)＝αEw+βED，其中，
Figure BDA0002497184180000071
表示神经网络所有权值的均方误差，m为神经网络权值的总个数，wj为神经网络权值；
Figure BDA0002497184180000072
表示神经网络的均方误差，n为学习集样本总数，tp为第p组训练的期望输出数据，ap为第p组训练的实际输出数据，即预测输出数据。α和β为正则化系数，即性能指数中的参数，其根据学习集的数据变化而变化，由BP算法和贝叶斯正则化算法确定。
α和β的大小影响神经网络的训练效果，若α<<β，则训练算法倾向于使网络响应的误差减小，容易使网络出现过拟合现象；若α>>β，则训练强调权值的减小，自动缩小了网络规模，使网络的输出更加平滑，可有效的增强网络的泛化性能。贝叶斯正则化算法在网络训练中可以自适应调节α和β，使其达到最优。
第四，重复对性能指数以及网络规模进行调整，直至神经网络模型的性能指数达到预设值，表明神经网络模型的准确度、精度已达到目标，于是，可确认完成训练。其中，预设值越高，神经网络模型的精度越高，但训练时长就越长，其可根据需要确定，本申请对此不做限定。
在一个实施例中，隐含层采用的激活函数为Log-sigmoid函数
Figure BDA0002497184180000081
输出层采用的激活函数为线性函数f(x)＝x。
在一个实施例中，由于Log-sigmoid函数的输入与输出的限定范围为[0,1]，并且，其在[0.2,0.8]的区间内效果较好。因此，计算机可通过增加输入转换层，通过对输入数据进行转换，使得传输到输出层的数据均在0.2～0.8的范围内，再由输出转换层将输出结果转换为实际数据。
S103：根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到待测点的工程独立坐标系平面坐标。
在本申请实施例中，计算机在训练完成神经网络模型后，可确定待测点的2000国家大地坐标系平面坐标。之后，计算机可将待测点的平面坐标输入神经网络模型，得到神经网络模型的预测输出数据，即预测的坐标差。
于是，计算机可根据待测点的大地平面坐标与对应的坐标差，计算得到待测点的工程独立坐标系平面坐标，即通过神经网络模型方法转换得到的工程独立坐标系平面坐标。其中，待测点表示需要测量其工程独立坐标系平面坐标的点，待测点的大地平面坐标的获得方法，与上述控制点的大地平面坐标的获得方法相同，本申请在此不再赘述。
在本申请实施例中，通过神经网络方法对大地平面坐标与工程独立坐标系平面坐标进行坐标转换，不需要求取统一的区域转换参数。于是，针对较大的工程区域或城市，能够确保各局部区域在转换坐标的过程中，均以合理的转换方式实现坐标转换，获得准确的工程独立坐标系平面坐标值。
这样能够避免整个区域采用一套转换参数而导致局部区域在坐标转换中损失精度的问题，满足工程应用中对坐标转换的需求，同时提高坐标转换的准确性。
并且，本申请采用了贝叶斯正则化算法，根据学习集的样本数目，自动确定隐含层所需神经元的数目，使得神经元的数目既足以表现学习集样本的特征，又能防止神经网络出现过拟合现象，对网络权值进行限制，有效改善网络结构，并在一定程度上提高网络的精度和泛化能力。
需要说明的是，本申请提供的坐标转换方法，不仅适用于2000国家大地坐标系平面坐标与工程独立坐标系平面坐标之间的转换，还同样适用于其他具有相同原理的坐标转换过程，本申请对此不做限定。
以上为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换方法，基于同样的发明思路，本申请实施例还提供了相应的贝叶斯正则化反向传播神经网络坐标转换装置，如图3所示。
图3为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换装置结构示意图，具体包括：
创建模块301，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；
训练模块302，根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；
确定模块303，根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种贝叶斯正则化反向传播神经网络坐标转换方法，其特征在于，包括：
确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；
根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；
根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。
2.根据权利要求1所述的方法，其特征在于，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集，包括：
计算控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标之间的坐标差；
根据控制点的2000国家大地坐标系平面坐标与所述坐标差，创建学习集。
3.根据权利要求2所述的方法，其特征在于，所述神经网络模型为贝叶斯正则化的反向传播神经网络模型，包括输入转换层、输入层、隐含层、输出层、输出转换层；
所述输入转换层，用于将输入神经网络模型的数据转换为所述隐含层可识别的数据；
所述输出转换层，用于将所述输出层输出的数据转换为与所述学习集中的坐标差相对应的数据。
4.根据权利要求3所述的方法，其特征在于，根据所述学习集，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练，包括：
初始化神经网络模型的权值矩阵；
根据学习集中的2000国家大地坐标系平面坐标，确定神经网络模型预测得到的坐标差，作为预测输出数据；
根据学习集中的坐标差与所述预测输出数据之间的差距，采用反向传播算法与贝叶斯正则化算法，对所述神经网络模型的性能指数中的参数进行调整，并调整所述神经网络模型的网络规模；
重复对所述性能指数以及网络规模进行调整，直至所述神经网络模型的性能指数达到预设值，确定完成训练。
5.根据权利要求3所述的方法，其特征在于，所述输出层输出的数据的范围为0.2～0.8。
6.根据权利要求3所述的方法，其特征在于，所述隐含层采用的激活函数为Log-sigmoid函数。
7.根据权利要求3所述的方法，其特征在于，所述输出层采用的激活函数为线性函数。
8.根据权利要求1所述的方法，其特征在于，所述神经网络模型的性能指数为F(w)＝αEw+βED，其中，
Figure FDA0002497184170000021
表示神经网络所有权值的均方误差，m为神经网络权值的总个数，wj为神经网络权值；
Figure FDA0002497184170000022
表示神经网络的均方误差，n为学习集样本总数，tp为第p组训练的期望输出数据，ap为第p组训练的实际输出数据，α、β为正则化系数。
9.根据权利要求2所述的方法，其特征在于，确定控制点的2000国家大地坐标，包括：
采用RTK技术，确定控制点的2000国家大地坐标(L，B)；
根据高斯投影方法，确定在0.5mm精度下所述控制点的相应2000国家大地坐标系平面坐标(x，y)。
10.一种贝叶斯正则化反向传播神经网络坐标转换装置，其特征在于，包括：
创建模块，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；
训练模块，根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；
确定模块，根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。
CN202010421644.3A 2020-05-18 2020-05-18 贝叶斯正则化反向传播神经网络坐标转换方法及装置 Pending CN111598235A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010421644.3A CN111598235A (zh) 2020-05-18 2020-05-18 贝叶斯正则化反向传播神经网络坐标转换方法及装置
ZA2020/05171A ZA202005171B (en) 2020-05-18 2020-08-20 Coordinate transformation method and device using bayesian regularized bp neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010421644.3A CN111598235A (zh) 2020-05-18 2020-05-18 贝叶斯正则化反向传播神经网络坐标转换方法及装置

Publications (1)

Publication Number Publication Date
CN111598235A true CN111598235A (zh) 2020-08-28

Family

ID=72191514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010421644.3A Pending CN111598235A (zh) 2020-05-18 2020-05-18 贝叶斯正则化反向传播神经网络坐标转换方法及装置

Country Status (2)

Country Link
CN (1) CN111598235A (zh)
ZA (1) ZA202005171B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158463A (zh) * 2021-04-21 2021-07-23 西安科技大学 基于机器学习的工程控制网坐标系建立方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN107256436A (zh) * 2017-05-05 2017-10-17 国家电网公司 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法
CN109507598A (zh) * 2017-09-11 2019-03-22 安徽师范大学 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN107256436A (zh) * 2017-05-05 2017-10-17 国家电网公司 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法
CN109507598A (zh) * 2017-09-11 2019-03-22 安徽师范大学 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何发东等: "贝叶斯正则化BP网络在机翼载荷分析中的应用", vol. 27, no. 4, pages 85 - 88 *
宋雷等: "基于神经网络坐标差学习的GPS坐标转换", no. 1, pages 29 - 31 *
陈健等: "《GPS定位测量 第2版》", 黄河水利出版社, pages: 158 - 159 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158463A (zh) * 2021-04-21 2021-07-23 西安科技大学 基于机器学习的工程控制网坐标系建立方法及系统
CN113158463B (zh) * 2021-04-21 2023-12-22 西安科技大学 基于机器学习的工程控制网坐标系建立方法及系统

Also Published As

Publication number Publication date
ZA202005171B (en) 2021-08-25

Similar Documents

Publication Publication Date Title
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
CN106093849B (zh) 一种基于测距和神经网络算法的水下定位方法
CN105654483A (zh) 三维点云全自动配准方法
CN110132281B (zh) 一种基于询问应答模式的水下高速目标高精度自主声学导航方法
CN109521444B (zh) 一种地壳运动gps水平速度场自适应最小二乘拟合推估算法
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
JP2023517147A (ja) 複雑地形においてＬｉＤＡＲで風の流れの乱流を測定するためのシステムおよび方法
CN114964313A (zh) 一种基于rvm的光纤陀螺温度补偿方法
CN110703205B (zh) 基于自适应无迹卡尔曼滤波的超短基线定位方法
CN111598235A (zh) 贝叶斯正则化反向传播神经网络坐标转换方法及装置
CN113156418B (zh) 基于蒙特卡洛仿真的雷达目标跟踪精度预测方法
CN113189541B (zh) 一种定位方法、装置及设备
CN114820668A (zh) 一种端到端的基于同心环卷积的建筑物规则轮廓自动提取方法
CN111553954A (zh) 一种基于直接法单目slam的在线光度标定方法
CN106815607A (zh) 一种基于反距离权重插值反函数的等值线图像数据提取方法
CN109581280A (zh) 终端自适应在线定位方法、系统及装置
CN107063195B (zh) 一种基于递归位置估计的大规模水下网络定位方法
CN115540832A (zh) 基于VGGNet的卫星测高海底地形校正方法及系统
CN110687502B (zh) 一种基于最小二乘定位的短波测向数据集标注方法
CN114488247A (zh) 一种基于高精度北斗差分定位分析装备机动能力的方法
CN113503891A (zh) 一种sinsdvl对准校正方法、系统、介质及设备
CN113091605A (zh) 一种对光电系统的标定方法及计算机可读存储介质
CN115392117B (zh) 一种水下高速机动平台高帧率无模糊声学导航方法
CN111914402B (zh) 一种基于信号特性和拓扑变化先验的动态拓扑估计系统及方法
CN115877349B (zh) 一种基于激光雷达的交叉路口车辆定位方法及系统

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

Application publication date: 20200828