基于RBF神经网络的GPS高程拟合方法的研究-论文.pdf

《基于RBF神经网络的GPS高程拟合方法的研究-论文.pdf》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、2014年第4期·北京测绘·基于RBF神经网络的GPS高程拟合方法的研究张红华(黑龙江科技大学矿业工程学院，黑龙江哈尔滨150022)[摘要]GPS高程拟舍一直是工程应用中的一个研究热点，其中神经网络拟合方法得到了广泛的应用。本文利用RBF神经网络模型进行GPS高程拟合实验，主要针对模型中隐舍节点数和最佳SPREAD值的确定进行实验研究，并利用MATLAB神经网络工具箱实现了GPS高程拟合。同时，将RBF神经网络拟合结果与BP网络拟合结果进行对比分析，结果表明，RBF网络拟合效果要优于BP网络，

2、得到的拟合精度要高。[关键词]神经网络RBFBPGPS高程拟合拟舍精度[中图分类号]P228．4[文献标识码]A[文章编号]1007—3000(2014)04—5目前，GPS测量技术在实际工程应用中越来量直接(不需要通过权连接)映射到隐含层空间，越广，GPS高程拟合也随即成为一个研究热点。使得在低维空间线性不可分的问题在高维空间将GPS所测得的大地高转换为工程中常用的正线性可分。将输入矢量直接映射到隐含层空间，常高的关键是获取两者之间的转换参数，即高程当RBF的中心点确定后，映射关系即可确定，隐

3、异常值。目前，高程异常拟合方法主要分为四含层空间到输出空间的映射是线性的]。类：几何解析法、物理大地测量法、人工智能法和径向基网络的神经元模型结构如图1所示。混合转换法口]。前两种方法需要足够多的样本数由图1可见，径向基网络传递函数radbas是以权据和大量高精度的重力测量资料，然而，在实际值向量和阈值向量之间的距离lldistll作为变量工作中，所测得的样本数据和已有的重力测量资的，其中，JJdistIJ是通过输人向量和加权矩阵的料都是有限的。近年来，以人工神经网络和最小行向量的乘积得到的。二

4、乘支持向量机(LSSVM)为代表的人工智能径向基网络传递函数的原型函数为：GPS高程拟合法以及常规模型与人工智能相结radbn(n)一e～合的混合转换模型得到了较快发展。神经网络当输入自变量为0时，传递函数取得最大值高程拟合法以其高精度、高稳定性以及较强的容为1。随着权值和输入向量之间距离的减小，网错性能得到了广泛应用_2]。络输出是递增的。所以，径向基神经元可以作为本文主要利用RBF神经网络模型进行GPS一个探测器，当输入向量和加权向量一致时，神高程拟合实验，从RBF模型中隐含层节点数的选经元

5、输出1。图1中的b为阈值，用于调整神经取和最佳SPREAD值的确定等方面进行实验研元的灵敏度。究，并将RBF模型拟合结果与BP神经网络模型拟合结果进行对比分析。1RBF神经网络模型径向基函数RBF网络是一种三层前向网络，它由三部分组成：一组感知单元(源节点)组成的输人层、计算节点的隐含层和计算节点的输入层。RBF网络的基本思想是：用RBF作为隐单图1径向基神经元(RBF)模型结构元的“基”构成隐含层空间，这样就可以将输入矢[收稿日期]2014-01—10[作者简介]张红华(1979一)，女，汉族

6、，辽宁朝阳人，讲师。主要从事测量数据处理及工程测量教学与科研工作。2014年第4期·北京测绘·7由表1可见，当隐含层节点数增至12时，网创建RBF网络络输出的误差MSE已经接近目标值，其误差曲t1(i，：)一sim(net，PN)；线如图3所示。A(i，：)一postmnmx(tl(i，：)，minT，因此，最佳的隐含层节点数为12；接下来，分maxT)；对仿真后的数据进行反归一化处理别以SPREAD一2、3、4和5进行实验，以选择出inerror(i，：)一A(i，：)一T；最佳的SPREAD

7、值。inprecise(i，：)一sqrt(inerror(i，：)*(inerror2．2．2最佳SPREAD值的确定(i，：))／14)；计算学习集中误差创建一个隐含层节点数为12，SPREAD=2、PP；导人测试集点坐标文件3、4和5的RBF网络进行实验，记录下拟合后的TT；导入测试集点高程异常1=文件学习集中误差、测试集中误差及各点误差，之后PP1一tramnmx(PP，minP，maxP)；对数将记录下的数据进行对比，以确定出最佳的据进行归一化处理SPREAD值。拟合后学习集及测试集中

8、误差如TT1(i，：)一sim(net，PP1)；表2所示，拟合后测试集点误差分布见图4所示。B(i，：)一postmnmx(TT1(i，：)，minT，maxT)；A0对仿真后的数据进行反归一化处理表2拟合后学习集及测试集中误差outerror(i，：)一B(i，：)一TT；outprecise(i，：)一sqrt(outerror(i，：)*(out—error(i，：))／16)；计算测试集中误差end2．4RBF网络与BP网络拟合结果的对比分析本实验分别利用RBF和BP神经网络进行GPS