基于rbf 神经网络的gps 高程转换

《基于rbf 神经网络的gps 高程转换》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、测绘信息网http://www.othermap.com基于RBF神经网络的GPS高程转换李大军，程朋根，刘波（东华理工大学地测学院江西抚州344000）摘要：本文采用二次曲面拟合、BP网络和RBF网络进行了GPS高程转换，并在网络结构改进等方面作了分析。通过RBF网络与二次曲面拟合、BP网络的对比分析，结果表明RBF网络进行GPS高程转换是可行的。因此，RBF网络模型对于GPS高程转换具有一定的实用价值。关键词：GPS高程；高程转换；BP网络；RBF网络测绘信息网http://www.othermap.com/StudyonRBFnetwor

2、kmodelusedforGPSheightconversionLiDa-jun,ChengPeng-gen，LiuBo(1.GeosciencesandGeomaticsUniversityofEastChinaInstituteofTechnology,Fuzhou344000,China)Abstract:Inthispaper,thefifingmethodwhichstimulatestheGeoidusingquadricpolynomial,BPnetworkandRBFnetworkareprovidedfortheGPShei

3、ghtconversion.Atthesametime,someproblems,suchasimprovingthestructureofnetworkmodelaredeeplyinvestigated.ComparingwiththefittingmethodwhichsimulatesGeoidusingquadricpolynomialandBPnetworkforconversionofGPSheight,theRBFnetworkisfeasible.So,theRBFnetworkhassomepracticalvaluefor

4、theconversionofGPSheight.Keywords:GPSheight；heightconversion；BPnetwork；RBFnetwork1引言测绘信息网http://www.othermap.com/随着GPS技术的不断发展，GPS技术的应用也越来越广泛，尤其在测绘方面。但目前国内外应用GPS定位技术建立各种控制时，仅解决了平面坐标的精度，而GPS定位中高程转换精度较差，使得GPS高程还没有得到广泛的应用。由于GPS测量所提供的高程为相对于WGS-84椭球的大地高，而我国使用的是正常高。因此，在实际工程中应将大地高转换

5、为水准高程（正常高）。两者的差值称为高程异常。如果GPS测量的大地高经过某种模型的转换而能够得到高精度的水准高程，则不但能减少外业工作量和提高工作效率，而且也能提高经济效益。测绘信息网http://www.othermap.com目前转换GPS高程的方法有很多种，主要有GPS水准高程，GPS重力高程和GPS三角高程等方法，但应用广泛的还是GPS水准高程。在GPS水准高程中一般采用某种几何曲面去逼近高程异常面，而实际的高程异常面是受到很多因素的影响，很不规则。这样就使得几何方法拟合受到限制，而在某些地区效果并不理想。本方讨论的RBF网络模型实现G

6、PS高程转换是一种较新的方法，它以其自适应映射和在转换GPS高程中没作假设而使得拟合的结果具有较高的精度。2径向基网络原理测绘信息网http://www.othermap.com/到目前为止，神经网络模型已有40多种，根据连接方式的不同可分为前向型网络和反馈型网络两大类，而径向基网络（RBF网络）就是前向型网络中的一种。RBF网络是由输入层、隐含层和输出层构成的三层前向网络，见图2（以单个输出神经元为例），隐含层神经元采用径向基函数作为激励函数，通常采用高斯函数作为径向基函数。神经网络信息的传输为：对于输入层，只负责信息的传输，其输入与输出相同

7、。对于隐层：每个神经元将自己和输入层神经元相连的连接权值矢量（也称为第i个隐层神经元的基函数中心）与输入矢量（表示第q个输入矢量，）之间的距离乘以本身的阈值作为自己的输入，见图2，从中可见：对应输入层第q个输入产生的隐含层第i个神经元的输入为：隐含层第i个神经元的输出为：图1径向基网络结构图测绘信息网http://www.othermap.com图2RBF网络隐层神经元的输入与输出示意图值得说明一点：径向基函数的阈值可以调节函数的灵敏度，但实际工作中更常用另一参数（称为扩展常数），和的关系在实际应用中有多种确定方法，在MATLAB神经网络函数中

8、和的关系设置为，此时隐含层神经元的输出变为：对于输出层而言：输出为各隐层神经元输出的加权求和，激励函数采用纯线性函数，对应输入层第q个输入产生的输出层