文档介绍：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;PSheightconversionLiDa-jun,ChengPeng-gen,LiuBo(,Fuzhou344000,China)Abstract:Inthispaper,thefifingmethodwhichstimulatestheGeoidusingquadricpolynomial,,someproblems,workforconversionofGPSheight,,:GPSheight;heightconversion;work;work1 引言测绘信息网/ 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。 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GPS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。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神经元输出为:RBF网络的训练分为两步,第一步为非监督式学****训练输入层与隐层间的权值,第二步为监督式学****训练隐含层与输出层间的权值。网络的训练需要提供输入矢量、对应的目标矢量以及径向基函数的扩展常数。训练的目的是求取两层权值、和阈值、(当隐含层单元数等于输入矢量数时,取)。3实例计算测绘信息网/ 实例一应用RBF网络对表1数据(数据来源于参考文献[3])进行计算表1某GPS控制网的定位成果序号点号x/10kmy/10kmζ/------