基于不同激活函数ELM的无人机实测数据高程拟合算法

发布时间：2021-07-30 15:42

　　为找出无人机实测数据高程转换拟合的方法,本文基于不同激活函数激活极限学习机模型得到ELMS、ELMR、ELMH3种模型,并将计算结果与广义回归神经网络模型和BP神经网络模型对比,结果表明:基于5种模型可对无人机实测高程数据的异常点进行筛选并剔除,3种ELM模型对于高程点的筛选结果基本一致,共筛选出了21个高程异常点,GRNN模型精度次之,BP神经网络模型精度最低,ELM模型在不同激活函数下的计算精度有所不同,其中ELMS模型在高程点剔除和高程数据拟合中精度最高,RMSE仅为0.157m,而Ens和R2分别达到了0.944和0.968,可为无人机实测数据高程转换拟合的标准模型使用。 

【文章来源】：北京测绘. 2020,34(08)

【文章页数】：4 页

【部分图文】：

测点分布图

训练测点和预测测点分布图

为防止因为无人机飞行时的异常情况导致高程出现异常值影响整体模型计算效果。在进行模型高程拟合之前需对高程异常点进行剔除，选择出合适的高程点进行训练模型，保证模型精度，图3中列举了基于这5种模型进行高程异常点剔除的结果。由图中可以看出，基于5种模型可对无人机实测高程数据的异常点进行筛选并剔除，3种ELM模型对于高程点的筛选结果基本一致，共筛选出了21个高程异常点，而GRNN模型筛选精度较低，仅筛选出了14个高程异常点，BP神经网络模型精度最低，仅筛选出10个异常点，这与BP神经网络模型易产生极值的特点一致。通过ELM模型的筛选结果，可以此结果为基础，对高程进行拟合，保证拟合精度。2.2 不同方法高程拟合结果对比

【参考文献】：
期刊论文
[1]GPS高程拟合法比较以及精度分析[J]. 郑荃心.  北京测绘. 2019(08)
[2]一种改进的RBF神经网络GPS高程拟合方法[J]. 潘伟锋.  北京测绘. 2019(07)
[3]几种建筑物立面测量方法对比分析[J]. 黎其添.  北京测绘. 2019(07)
[4]无人机倾斜摄影在建筑物立体测量中的应用[J]. 付主俊.  北京测绘. 2019(07)
[5]基于不同ELM的西北旱区参考作物蒸散量模拟模型[J]. 徐颖,张皓杰,崔宁博,冯禹,胡笑涛,龚道枝.  中国农村水利水电. 2019(01)
[6]带有部分不确定性的平差算法在GPS高程拟合中的应用[J]. 左廷英,丁俊豪,宋迎春,肖兆兵.  测绘工程. 2018(06)
[7]基于重力场模型的GPS高程拟合精度分析[J]. 王建成,许宏燕,袁树才,古共平.  人民珠江. 2017(12)
[8]机器学习算法和Hargreaves模型在四川盆地ET0计算中的比较[J]. 冯禹,崔宁博,龚道枝.  中国农业气象. 2016(04)
[9]基于广义回归神经网络的GPS高程转换[J]. 王新志,祝明坤,曹爽.  大地测量与地球动力学. 2011(06)



本文编号：3311677