基于穩(wěn)健估計的神經網絡高程擬合模型的研究.pdf

1、大地水準面的精化與高程轉換是現代控制測量的基礎內容，高程轉換是實現測繪信息資源共享和大地基準精化至關重要的環(huán)節(jié)。目前GNSS高程轉換實際運用的方法有重力測量法和傳統(tǒng)的數值擬合逼近法。研究主要針對神經網絡模型對高程異常解算過程中的數學模型和解算精度展開了深入的分析。
　　針對大范圍且地形差異較小的區(qū)域，提出了一種基于思維進化算法優(yōu)化的抗差BP神經網絡擬合模型。模型對于BP網絡較弱的抗差性能和局部優(yōu)化的特性，改造了模型輸入和優(yōu)化權值及

2、閾值的計算方法，完善了數學模型的抗差性。運用某測區(qū)實測工程數據對優(yōu)化后的模型進行了驗算，驗證了模型的可靠性。對于小范圍測區(qū)的高程異常擬合需求，提出了一種基于穩(wěn)健估計的正則化RBF神經網絡擬合模型。在數據處理方法中穩(wěn)健估計的思想下，模型針對RBF網絡隱含層中心值選取過程中的隨機性進行了改造，提出“精度低，穩(wěn)健權小，中心偏離輸入越大”原則，提高了模型的抗差性能，并以工程數據訓練網絡進行擬合測試，驗證了其優(yōu)越性。
　　研究主要是從數學建