基于遗传算法优化的广义回归神经网络在GPS高程转换中的应用

发布时间：2017-05-05 21:07

  本文关键词：基于遗传算法优化的广义回归神经网络在GPS高程转换中的应用，由笔耕文化传播整理发布。

【摘要】：目前GPS卫星定位系统在测绘领域的应用主要体现在平面控制测量中，而高程测量方面由于受坐标系统不一致、观测误差等因素的影响，其精度一直被认为不太可靠，仪器的标称精度也较平面定位精度低，这在很大程度上制约了GPS技术在高程测量中的应用。为了实现GPS在高程中的应用，到目前为止已经做大量科学研究和实践，出现了各种GPS高程转换的方法，这些方法大致可归为三类：几何解析法、物理大地测量法、神经网络法。对于我国来说重力资料匮乏，所以建立在物理大地测量法上的GPS高程转换需要增加重力测量工作。因此目前对几何解析法和神经网络法在GPS高程转换方面的研究最为普遍，但这些方法都或多或少的存在一些缺陷。 本文在总结前人研究的基础上给出了一种GPS高程转换的新方法：GA-GRNN法，即利用遗传算法的全局寻优特性来优化广义回归神经网络中的光滑因子，，从而提高广义回归神经网络的高程转换精度。实现这一方法首先通过对遗传算法和广义回归神经网络的理论论证来说明该方法的可行性，然后通过具体实验与二次曲面拟合法、BP神经网络法、RBF神经网络法、广义回归神经网络法的转换结果进行对比来研究探讨新方法的优越性。 通过实验表明遗传算法和广义回归神经网络的结合，能充分发挥遗传算法在全局搜索方面的优越性，避免了人为选择光滑因子的局限性，该组合方法对广义回归神经网络的优化效果明显，而且运算速度较快，整体逼近性能良好，高程转换结果较理想，完全能满足大比例尺测图的需要；而且较之于二次曲面拟合法，避免了模型误差，较之于BP神经网络法，避免了陷入局部最优，较之于RBF神经网络法，避免了多个参数寻优的繁琐，较之于GRNN法，避免了对SPREAD参数的不断尝试，因此GA-GRNN法具有良好的转换精度和较高的转换效率；最后GA-GRNN法较之于其他传统GPS高程转换方法具有较高的泛化能力，对于参与拟合的点位数量和分布状况的依赖性有所减弱，所以在缺乏数据点或数据点分布不均匀的情况下优先考虑GA-GRNN法。 综上所述，基于遗传算法优化广义回归神经网络进行GPS高程转换的方法是切实可行，且具有实际应用精度。
【关键词】：GPS 遗传算法 神经网络 高程转换
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P228.4
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-16
• 1.1 研究背景10-11
• 1.2 研究的目的和意义11-12
• 1.3 国内外研究现状12-14
• 1.4 本文研究的主要内容14
• 1.5 论文组织结构14-16
• 第二章 GPS 高程理论及转换方法16-29
• 2.1 GPS 高程理论16-21
• 2.1.1 高程系统及其相互关系16-18
• 2.1.2 GPS 高程测量参考基准18-19
• 2.1.3 GPS 高程测量的基本原理19-20
• 2.1.4 GPS 高程测量的基本要求20-21
• 2.2 GPS 高程转换思路及方法21-25
• 2.2.1 GPS 高程转换的基本思路21
• 2.2.2 确定高程异常的常用方法21-25
• 2.3 GPS 高程转换精度评定25-28
• 2.3.1 GPS 高程转换误差来源25-26
• 2.3.2 提高 GPS 高程转换精度的措施26
• 2.3.3 精度评定26-28
• 2.4 本章小结28-29
• 第三章 遗传算法优化理论29-39
• 3.1 遗传算法概述29-30
• 3.1.1 遗传算法的发展与应用29-30
• 3.1.2 遗传算法的特点30
• 3.2 遗传算法的要素和流程30-32
• 3.2.1 GA 算法的基本要素30-31
• 3.2.2 GA 算法的基本流程31-32
• 3.3 遗传算法的技术实现32-36
• 3.3.1 遗传编码32-33
• 3.3.2 适应度计算33
• 3.3.3 遗传算子设计33-35
• 3.3.4 控制参数的选择35-36
• 3.4 MATLAB 遗传算法工具箱36-38
• 3.5 本章小结38-39
• 第四章 神经网络理论39-50
• 4.1 神经网络概述39-41
• 4.1.1 神经网络的发展与应用39
• 4.1.2 人工神经元模型39-40
• 4.1.3 人工神经网络的基本原理及特征40-41
• 4.1.4 MATLAB 神经网络工具箱41
• 4.2 BP 神经网络41-44
• 4.2.1 BP 神经网络算法的基本原理41-42
• 4.2.2 BP 算法的缺陷42-43
• 4.2.3 MATLAB 中创建 BP 网络的函数及调用格式43
• 4.2.4 基于 BP 算法的 GPS 高程转换过程43-44
• 4.3 RBF 神经网络44-46
• 4.3.1 RBF 神经网络算法的基本原理44-45
• 4.3.2 RBF 算法的缺陷45
• 4.3.3 MATLAB 中创建 RBF 网络的函数及调用格式45-46
• 4.3.4 基于 RBF 网络的 GPS 高程转换过程46
• 4.4 广义回归神经网络46-49
• 4.4.1 GRNN 算法的基本原理46-48
• 4.4.2 GRNN 算法的缺陷48
• 4.4.3 光滑因子的优化48
• 4.4.4 MATLAB 中创建 GRNN 网络的函数及调用格式48
• 4.4.5 基于 GRNN 的 GPS 高程转换过程48-49
• 4.5 本章小结49-50
• 第五章 基于 GA-GRNN 的 GPS 高程转换实验分析50-78
• 5.1 GA-GRNN 组合模型的可行性研究50
• 5.1.1 理论基础50
• 5.1.2 实现平台50
• 5.2 GPS 高程转换 GA-GRNN 模型构建50-53
• 5.2.1 问题描述50
• 5.2.2 算法流程设计50-51
• 5.2.3 MATLAB 程序设计51-52
• 5.2.4 结果输出及分析52-53
• 5.3 基于 GA-GRNN 的 GPS 高程转换实验53-59
• 5.3.1 实验数据53-54
• 5.3.2 实验方案54-57
• 5.3.3 实验结果57-58
• 5.3.4 结果分析58-59
• 5.4 基于其他方法的 GPS 高程转换实验59-73
• 5.4.1 二次曲面拟合59-63
• 5.4.2 BP 神经网络63-67
• 5.4.3 RBF 神经网络67-70
• 5.4.4 广义回归神经网络70-73
• 5.5 GA-GRNN 法与其他方法实验结果对比分析73-77
• 5.5.1 方案 1 各实验结果对比及分析73-74
• 5.5.2 方案 2 各实验结果对比及分析74-75
• 5.5.3 方案 3 各实验结果对比及分析75-76
• 5.5.4 三种实验方案综合比较及分析76-77
• 5.6 本章小结77-78
• 第六章 结论与展望78-80
• 6.1 结论78
• 6.2 展望78-80
• 致谢80-81
• 参考文献81-84
• 在学期间发表的论著及取得的科研成果84

【参考文献】

中国期刊全文数据库 前10条

1 王红;;GPS高程转换为正常高的探讨[J];赤峰学院学报(自然科学版);2012年06期

2 谢忠O

本文编号：347081