基于RBF 神经网络的GPS 高程转换.doc

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;RBF网络测绘信息网/
Study on work model used for
GPS height conversion
Li Da-jun, Cheng Peng-gen,Liu Bo
( and Geomatics University of East China Institute of Technology, Fuzhou 344000, China)
Abstract: In this paper, the fifing method which stimulates the Geoid using quadric polynomial, work and work are provided for the GPS height conversion. At the same time, some problems, such as improving the structure work model are deeply investigated. Comparing with the fitting method which simulates Geoid using quadric polynomial and work for conversion of GPS height, the work is feasible. So, the work has some practical value for the conversion of GPS height.
Key words: GPS height;height conversion;work;work
1 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/
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。
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2 RBF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习训